本次實驗本來參考examples/imagenet下的readme.txt進行，但因為資料集過於龐大，所以模擬學習，參考薛開宇的學習方式，模仿搭建自己的資料庫。
首先在caffe/data下新建資料夾myself，然後在網上下載貓、鳥、狗的訓練圖片各50張，測試圖片17,11,14張。為了方便，把圖片名修改，使用python，程式碼如下：

import os;
def rename():
    count=0;
    name="dog";
    path='/home/jack/caffe/data/myself/train/dog';
    filelist=os.listdir(path)
    for
 
 files in filelist:
        olddir=os.path.join(path,files);
        if os.path.isdir(olddir):
            continue;
        filename=os.path.splitext(files)[0];
        filetype=os.path.splitext(files)[1];
        newdir=os.path.join(path,name+str(count)+filetype);
        os.rename(olddir, newdir);
        count+=1
 
;
rename();

重複使用下面這幾句話，最後將三類訓練資料的檔名都複製到一起。至於檔案格式為何要這樣.是參考data/ilsvrc12下的train.txt和val.txt.

 find train/dog -name *.JPEG |cut -d '/' -f2-3 >train.txt
 sed "s/$/ 2/" ./train.txt>./train1.txt

當然我這方法比較蠢，也可以寫指令碼檔案，或者使用python處理也是可以的。
此外還需要新增test.txt，內容和val.txt一致，不過最後面不跟分類標籤，而是0.
我們還需要把圖片的大小變成 256X256,但在一個叢集環境,可以不明確的進行,使用Mapreduce 就可以了,像楊青就是這樣做的。如果我們希望更簡單,用下面的命令:

for name in train/bird/*.JPEG ; do  convert -resize 256x256\! $name $name; done
for name in train/dog/*.JPEG ; do  convert -resize 256x256\! $name $name; done
for name in train/cat/*.JPEG ; do  convert -resize 256x256\! $name $name; done
for name in val/*.JPEG ; do  convert -resize 256x256\! $name $name; done

接下來在caffe/examples中新建myself資料夾，然後將caffe/examples/imagenet的create_imagenet.sh複製到該資料夾下，將其名改為create_myimagenet.sh,修改訓練和測試路徑的設定，執行該sh.如圖：

如果出現錯誤./create_myimagenet.sh: 39: ./create_myimagenet.sh: build/tools/convert_imageset: not found
Creating val lmdb...
./create_myimagenet.sh: 49: ./create_myimagenet.sh: build/tools/convert_imageset: not found
Done.
說明路徑有問題，最好像我這樣補全。完成後在examples/myself下多出連個資料夾，如下圖

2 計算影象均值
減去影象均值會獲得更好的效果，所以我們使用tools/compute_image_mean.cpp實現，這個cpp是一個很好的例子去熟悉如何操作多個組建，例如協議的緩衝區，leveldbs，登入等。我們同樣複製caffe-maester/examples/imagenet的
./make_imagenet_mean到examples/myself中，將其改名為make_myimagenet_mean.sh,加以修改路徑。

不管如何修改檔名和路徑一定要對應，不然會有小問題出現。執行./make_myimagenet_mean.sh會在data/myself下出現myimagenet_mean.binaryproto檔案
3 網路的定義
把caffe/models/bvlc_reference_caffenet中所有檔案複製到caffe/examples/myself資料夾中，修改train_val.prototxt，注意修改資料層的路徑。如圖：

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "data/myself/myimagenet_mean.binaryproto"
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: true
#  }
  data_param {
    source: "examples/myself/ilsvrc12_train_lmdb"
    batch_size: 256
    backend: LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 227
    mean_file: "data/myself/myimagenet_mean.binaryproto"
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: false
#  }
  data_param {
    source: "examples/myself/ilsvrc12_val_lmdb"
    batch_size: 50
    backend: LMDB
  }
}

從裡面可以觀察到，我們將執行256批次，迭代4500000次（90期），每1000次迭代，我們測試學習網路驗證資料，我們設定初始的學習率為0.01，每100000（20期）次迭代減少學習率，顯示一次資訊，訓練的weight_decay為0.0005，每10000次迭代，我們顯示一下當前狀態。
以上是教程的，實際上，以上需要耗費很長時間，因此，我們稍微改一下
test_iter: 1000是指測試的批次，我們就10張照片，設定10就可以了。
test_interval: 1000是指每1000次迭代測試一次，我們改成500次測試一次。
base_lr: 0.01是基礎學習率，因為資料量小，0.01就會下降太快了，因此改成0.001
lr_policy: “step”學習率變化
gamma: 0.1學習率變化的比率
stepsize: 100000每100000次迭代減少學習率
display: 20每20層顯示一次
max_iter: 450000最大迭代次數，
momentum: 0.9學習的引數，不用變
weight_decay: 0.0005學習的引數，不用變
snapshot: 10000每迭代10000次顯示狀態，這裡改為2000次
solver_mode: GPU末尾加一行，代表用GPU進行
如果出現錯誤cudasucess(2.0vs 0)out of memory之類的說明batchsize太大，我設定成4和5。然後如果訓練不收斂就重試，我試了三次，每次用的時間都超過15個小時，2.1計算能力的電腦就是差，今天總算完成了。
準確率並不高，可能是選的圖片不是很好，這個也有關係的，另外我是有三類和他們的兩類不一樣。訓練完成後結果存放在哪裡我也不是很清楚，只知道myself前一級資料夾下有很多類似
myself_iter_160.caffemodel的檔案出現。現在還不是很懂，此外還有檢視GPU狀態的指令nvidia-smi。實踐還是得跟進理論，不然很多東西都雲裡霧裡的。