前面提到了利用caffe训练模型时，只用单个CPU核的问题，通过openblas的方式解决了，但即使多个核用上了，但速度还是超级慢。
就目前使用的网络而言，1min只能跑30 iter（1个iter 128个样本），即30*128 = 3840 样本/min, 为什么如此之慢呢？是不是代码出了问题，或者哪里的设置不对？
尝试和lenet进行对比，利用8核CPU根据lenet训练mnist，大概8min完成10000iter（一个iter 64个样本），即10000*64/8 = 80000 样本/min
从这里的对比来看，lenet的训练速度还是正常的，网上也有提出训练lenet花费了10min左右。那么为什么速度差别这么大呢？应该是网络计算量的原因。
通过https://dgschwend.github.io/netscope/#/editor可以查看网络的计算量，在左侧输入网络的deploy.prototxt文件即可，然后按shift + enter即可查看网络的计算量。
分析发现lenet网络的计算量为2.29M，而我们的网络的计算量为36.08M，这样就分析清楚了，3840*36.08 = 138547.2，而80000*2.29 = 183200，还是比较接近的。因此训练的速度应该就是这样了。
另外又将caffe下的训练速度和tensorflow下的训练进行对比，发现很奇怪的事情
tensorflow
caffe
GPU
700 iter/min
1500 iter/min
CPU
200 iter/min
20 iter/min
难道caffe的CPU速度如此之慢？还不明白是为啥。
再做一次实验，在tensorflow和caffe利用mnist数据集训练lenet网络（网络结构根据caffe中的example修改，另外写一个tensorflow的lenet网络），看一下耗时。
得到的数据如下：
用mnist训练lenet， 10000 iter， 每个batch 64个样本
GPU + CPU
CPU 核数无限制
CPU 8核
tensorflow
50s
219s
258s
caffe
30s
1000s+
900s
从这里可以看出，caffe在GPU模式下确实速度会比tensorflow快，但CPU模式下的速度却要慢很多。（这里有个问题就是caffe在CPU模式下用的核越多，速度却变慢了，这个问题其他人也有提到，不明所以）
查资料，有提到说openblas需要用OpenMP编译，即使用openblas的多线程形式，有可能默认通过apt-get下载安装的openblas并没有使用了openmp。在前面的博客提到了如何安装openblas以及使用cpu的多核进行训练。
1、首先对比一下通过apt-get安装的openblas和自己编译安装的openblas的区别
通过 sudo apt-get install libopenblas-dev安装的openblas在默认目录/usr/lib下，可以通过ldd命令查看其使用的so库，结果如下
-Bash 代码
1
ldd /usr/lib/libopenblas.so
2
3
linux-vdso.so.1 => (0x00007fffb435a000)
4
libm.so.6 => /lib/x86_64-linux-gnu/libm.so.6 (0x00007fa84028b000)
5
libpthread.so.0 => /lib/x86_64-linux-gnu/libpthread.so.0 (0x00007fa84006d000)
6
libc.so.6 => /lib/x86_64-linux-gnu/libc.so.6 (0x00007fa83fca3000)
7
/lib64/ld-linux-x86-64.so.2 (0x0000560783ce6000)
再手动编译安装openblas
首先从https://github.com/xianyi/OpenBLAS下载openblas，
然后unzip OpenBLAS-xxx，
再 make USE_OPENMP=1
再sudo make install
即把openblas安装到了 /opt/OpenBLAS目录下
安装好之后，
-Bash 代码
01
ldd /opt/OpenBLAS/lib/libopenblas.so
02
03
linux-vdso.so.1 => (0x00007fffe6988000)
04
libm.so.6 => /lib/x86_64-linux-gnu/libm.so.6 (0x00007f3876368000)
05
libpthread.so.0 => /lib/x86_64-linux-gnu/libpthread.so.0 (0x00007f387614a000)
06
libgfortran.so.3 => /usr/lib/x86_64-linux-gnu/libgfortran.so.3 (0x00007f3875e2f000)
07
libgomp.so.1 => /usr/lib/x86_64-linux-gnu/libgomp.so.1 (0x00007f3875c20000)
08
libc.so.6 => /lib/x86_64-linux-gnu/libc.so.6 (0x00007f3875857000)
09
/lib64/ld-linux-x86-64.so.2 (0x000055933fb64000)
10
libquadmath.so.0 => /usr/lib/x86_64-linux-gnu/libquadmath.so.0 (0x00007f387561a000)
11
libgcc_s.so.1 => /lib/x86_64-linux-gnu/libgcc_s.so.1 (0x00007f3875404000)
由此可见通过自己编译安装的openblas，再调用了libgomp等其它的库。
2、通过openblas编译caffe
通过apt-get安装的openblas，默认在/usr/lib中，因此编译caffe，修改caffe中的Makefile.config中的BLAS即可，再编译即可
但要使用自己编译的openblas来编译caffe，在Makefile.config中有个blas的lib和include的目录设置，但设置后，不能有效
最终通过export LD_LIBRARY_PATH=/opt/OpenBLAS/lib才搞定，
再用ldd build/lib/libcaffe.so, 就可以看到这里面用的是/opt/OpenBLAS/lib中的so库。
3、再看一下两者的训练速度对比
通过apt-get安装的方式，openblas可以设置OPENBLAS_NUM_THREADS=N来设置使用多少个CPU核
而通过自己编译安装的openblas，则可以设置OMP_NUM_THREADS=N来设置使用多少个进程
通过OMP_NUM_THREADS来设置，会发现，基本无效，用1个进程，用4个进程和用8个进程，速度基本无变化
尴尬啊，这个问题还是解决不了啊
参考博文：
Caffe:CPU模式下使用openblas-openmp(多线程版本)
就caffe使用openblas+openmp，设置OMP_NUM_THREADS，训练速度却不能提升的问题，进行调研，没有太好的解决方案，在网上看到有说进程加速依赖于网络结构，有些网络结构可以加速，有些不行。也有说设置OMP_NUM_THREADS=1就好。众说纷纭，不知所以然。
如果这条路走不通，那么可能的解决方案有如下几个：
1、OPENMP的加速方案，有人在caffe提交了pull request，据说可以加速5-10倍，https://github.com/BVLC/caffe/pull/439，但caffe没有接受该PR，为了代码的稳定性
2、intel版本的caffe，据说是做过加速的，可能存在的问题：（1）、是否收费，有没有用intel的MKL库，这个库应该是收费的，（2）、产品需要做开源代码的认证（intel的caffe版本，我司应该没有做过认证）(https://software.intel.com/en-us/articles/comparison-between-intel-optimized-caffe-and-vanilla-caffe-by-intel-vtune-amplifier)
3、再退回到tensorflow，用tensorflow的c/c++ API，存在问题：（1）、tensorflow的C/C++训练模型，参考较少；（2）、tensorflow的c/C++未实现auto differentiation？
4、再转战其它框架，抓狂
目前寄希望于在caffe中使用MKL库和使用intel优化的caffe版本。
前面碰到的一个就是通过设置OMP_NUM_THREADS无效果，设置它的值越大，训练速度越慢，设置一个较小的值时，反而训练速度更快，做了一些尝试，发现如果用adam优化算子，则设置OMP_NUM_THREADS无效果，如果用其它的则有效，通过把adam算子替换，再设置OMP_NUM_TRHEADS=8时大概会有3倍速度的提升。
-Bash 代码
1
base_lr: 0.001
2
momentum: 0.9
3
momentum2: 0.999
4
5
lr_policy: "fixed"
6
type: "Adam"
-Bash 代码
1
base_lr: 0.001
2
momentum: 0.9
3
4
lr_policy: "step"
5
gamma: 1
6
stepsize: 5000
但上面的配置涉及到学习率调整的问题，以及参数的微调，没能达到和Adam一样的准确率。
那么开始转战使用intel的mkl库，以及intel的caffe版本。
使用intel的caffe版本主要参考这个intel出的性能对比说明
Benefits of Intel® Optimized Caffe* in comparison with BVLC Caffe*
https://software.intel.com/en-us/articles/comparison-between-intel-optimized-caffe-and-vanilla-caffe-by-intel-vtune-amplifier
在这里，说明了，使用intel的caffe+mkl，可以达到多大性能的提升。
首先来看一下，如何在原生的caffe中使用intel的mkl库。
mkl库和atlas、openblas的功能一致，需要下载安装后，在caffe中的makefile.config文件中进行配置即可。
下载mkl库，需要先到intel网上进行注册申请，https://software.intel.com/en-us/mkl。申请后，一般会受到一封邮件，里面包含了注册码等信息，然后再申请一个intel的账号，就可以下载mkl了，会得到类似“l_mkl_2018.1.163.tgz”文件名的mkl压缩包，之后就可以进行安装了。但是我申请了，等了四五天都没有收到邮件，不知道哪里有问题，可以找其他同事也试一试。
下载安装文件后，在Ubuntu下解压缩，tar -xvzf l_mkl_2018.1.163.tgz， 进入到解压后的目录下，运行./install.sh 根据提示操作，完成mkl库的安装，安装后，默认在/opt/intel目录下会有mkl的lib和include。
完成mkl库的安装，然后就是重新编译caffe。
在caffe的主目录下，配置Makefile.config， 修改BLAS的内容，如下：
-Bash 代码
1
BLAS := mkl
2
BLAS_INCLUDE := /opt/intel/mkl/include
3
BLAS_LIB := /opt/intel/mkl/lib/intel64
另外，在编译caffe，和openblas类似，也需要导入lib库到LD_LIBRARY_PATH，因此先执行
-Bash 代码
1
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/intel/mkl/lib/intel64
再make clean， make all -j32，就可以完成编译了。
再用ldd build/tools/caffe 可以看到依赖于libmkl_rt.so这个库了。
但是只是用mkl库编译原生的caffe，训练速度提升不明显，感觉和OpenBLAS开多个线程的区别不大。提升很有限。
那么继续尝试intel的caffe版本，首先需要下载intel的caffe 源码，
git clone https://github.com/intel/caffe
（这里需要确保git clone正常可以用，后面在编译intel-caffe的时候也需要用到，会下载mkl-dnn的源码等）
然后配置Makefile.config文件，和之前使用mkl库的方式一样，配置blas为mkl。然后就开始make就行了。
如果是通过windows下载了intel-caffe，然后拷贝到linux上，再解压，可能会有些.sh文件无执行权限，编译时会出错。
如果编译无误了后，就可以开始执行了，可以发现，确实速度有很大的提升，大概相比于原生的caffe有7-8倍速度的提升，和intel官方给的数据可能有一点偏差，主要是用原生的caffe+mkl的速度没有intel官方说的那么慢。
但我在训练我的网络碰到了一些问题，准确率不上升，但是用caffe自带的网络结构训练mnsit和cifar10，是没有问题。
一开始检查发现，intel-caffe会默认有一些网络结构的优化，在src/caffe/net.cpp中，去掉优化后，还是有问题，于是重新开始搭建网络结构，一层一层的搭，发现增加第三个卷积层，就会出错，完全相同的网络结构，完全相同的数据，但在intel-caffe和原生的caffe表现不同，intel-caffe开始训练不动，准确率不上升了。百思不得其解，也无从下手解决该问题，机缘巧合发现，稍微修改下网络结构有效，即将第三个卷积核的大小从5改为9或11，就好了，一切正常。
这个问题，可能比较奇怪，也不知道怎么解决，大多人数人应该不会遇到吧。
好的，这样子，就可以用intel加速后的caffe版本了。速度确实快了不少。
