Minst训练

我的路径：G:\Caffe\Caffe For \examples\mnist 

对于新手来说，初步完成环境的配置后，一脸茫然。不知如何跑Demo，有么有！那么接下来的教程就是我们这些新手的福利了。 

第一步：如果前面的train_net.cpp编译通过了，那么这个就非常简单。Caffe训练和测试的数据都是需要leveldb格式的，niuzhiheng大牛已经给我们转好了MNIST的数据格式。如下图： 

第二步：如上图所示，下有个get_mnist_leveldb.bat ，双击就可以下载到MNIS的leveldb文件。不能FQ的，就到：http://download.csdn.net/detail/u012878523/8140305 下载吧。下载完 解压到…\examples\mnist 文件夹下。参数可以再lenet_train.prototxt中修改。GPU和CPU的切换在lenet_solver.prototxt中，打开后代码如下所示：

# The training protocol buffer definitiontrain_net: "lenet_train.prototxt"# The testing protocol buffer definitiontest_net: "lenet_test.prototxt"# test_iter specifies how many forward passes the test should carry out.# In the case of MNIST, we have test batch size 100 and 100 test iterations,# covering the full 10,000 testing images.test_iter: 100# Carry out testing every 500 training iterations.test_interval: 500# The base learning rate, momentum and the weight decay of the .base_lr: 0.01momentum: 0.9weight_decay: 0.0005# The learning rate policylr_policy: "inv"gamma: 0.0001power: 0.75# Display every 100 iterationsdisplay: 100# The maximum number of iterationsmax_iter: 10000# snapshot intermediate resultssnapshot: 5000snapshot_prefix: "lenet"# solver mode: CPU or GPUsolver_mode: GPU    #两种方式二选一#solver_mode: CPU

第三步：双击train_lenet。bat就可以训练该网络。每500轮进行一次测试。Tset Score 0是正确率。Test Score 1是测试损失函数值。上两张训练图： 

然后准确率的变化： 

损失函数值的变化： 

每迭代100次输出一次训练比率lr和训练损失函数值loss，的参数在lenet_iter_10000.solverstate中，然后这个模型就可以应用在新数据上了。

至此，minst的训练demo到此结束。然后试试cifar-10！

CIFAR-10 训练

第一步：的说明：CIFAR-10 

60000张 32X32 彩色图像 10类 

50000张训练 

10000张测试 

附上一个的deeplearning的常用数据集下载链接，赶紧默默的收藏吧： 

http://deeplearning.net/datasets/ 

这是binary格式的，所以我们要把它转换成leveldb格式。

第二步：（部分直接复制别人的，因为没看到原作者是谁，所以就不上链接了。） 

/examples/cifar10文件夹中有一个 convert_cifar_data.cpp 

将他include到MainCaller.cpp中。如下： 

然后就编译，博主一次就通过了 ，在bin文件夹里出现convert_cifar_data.exe。 

接下来就可以进行格式转换。binary→leveldb。可以在bin文件夹下新建一个input文件夹。将cifar10.binary文件放在input文件夹中，这样转换时就不用写路径了。 

然后cmd进入bin文件夹，执行convert_cifar_data.exe后，在output文件夹下有cifar_train_leveldb和cifar_test_leveldb两个文件夹。里面是转化好的leveldb格式数据。

第三步：下面我们要求数据图像的均值编译../../tools/comput_image_mean.cpp 

编译成功后，没有出现comput_image_mean.exe。没关系，我们还有maincaller.exe，接下来求mean 

cmd进入bin，执行后，在bin文件夹下出现一个mean.binaryproto文件，这就是所需的均值文件。

第四步：训练cifar网络 

在…/examples/cifar10文件夹里已经有网络的，我们只需要将cifar_train_leveldb和cifar_test_leveldb两个文件夹还有mean.binaryproto文件拷到cifar0文件夹下。 

修改cifar10_quick_train.prototxt中的source: “cifar-train-leveldb” mean_file: “mean.binaryproto” 和cifar10_quick_test.prototxt中的source: “cifar-test-leveldb” mean_file: “mean.binaryproto”就可以了， 

后面再训练就类似于MNIST的训练。写一个train_quick.bat，内容如下： 

copy..//..//bin//MainCaller.exe..//..//bin//train_net.exeSETGLOG_logtostderr=1”../../bin/train_net.exe” cifar10_quick_solver.prototxt pause 

先编译一遍 train_net.cpp 

运行train_quick.bat，结果如下： 

备注： 

另外，更改cifar*solver.prototxt文件可以使用CPU训练， 

solver mode: GPU 

solver_mode: CPU 

可以看看CPU和GPU训练的差别。