在上次搭建好Caffe環境的基礎上我們進行第一次實驗，將Caffe自帶的一個Mnist example跑一跑，對其在處理影象方面的能力有個初步瞭解。

如果還沒有搭建好環境的朋友可以看看我的上一篇文章：
http://blog.csdn.net/AkashaicRecorder/article/details/71016942

MNIST簡介

MNIST手寫數字資料庫是另外一個更大的手寫體資料庫NIST的子集，現在已成為影象識別領域用來測試自己的演算法的一個基準資料庫，它的訓練集由60000張手寫數字圖片樣本組成，測試集包含了10000個樣本，其中所有的圖片樣本都經過了尺寸標準化和中心化，圖片的大小固定為28*28。對於想要在實際資料上學習技巧和學習模式識別方法的人來說，這是一個很好的資料庫，同時減少了人們在對素材進行預處理和格式化方面花費的時間。

以下是官網原文的描述：

The MNIST database of handwritten digits, available from this page, has a training set of 60,000 examples, and a test set of 10,000 examples. It is a subset of a larger set available from NIST. The digits have been size-normalized and centered in a fixed-size image.
It is a good database for people who want to try learning techniques and pattern recognition methods on real-world data while spending minimal efforts on preprocessing and formatting.

官網地址，你可以在這裡下載用於訓練的資料集：
http://yann.lecun.com/exdb/mnist/

生成需要的檔案及使用訓練好的模型進行識別

1.要使用這個訓練集，你需要編譯以下幾個專案並使用它們生產的exe

2.將之前在minist官網下載好的訓練集解壓並放到指定目錄下，
注意一定要放到你caffe工程的data\minist目錄下，不然後面會執行檔案報錯

（PS：由於我們是windows系統執行不了get_mnist.sh這個shell檔案，直接去官網下載包放到指定目錄可以達到相同的效果）

3.在..\caffe\build\examples\mnist目錄下新建bat資料夾並建立如下bat檔案

下面我們一一來解釋它們分別的作用：

convert_train_lmdb.bat

F:\OpenSource\caffe\build\examples\mnist\Release\convert_mnist_data.exe 
::train-images訓練圖片路徑
F:\OpenSource\caffe\data\mnist\train-images.idx3-ubyte 
::訓練標籤路徑
F:\OpenSource\caffe\data\mnist\train-labels.idx1-ubyte 
::訓練出來的lmdb檔案存放的位置
F:\OpenSource\caffe\data\mnist\lmdb\train_lmdb
pause

注：

Caffe生成的資料分為2種格式：Lmdb和Leveldb 它們都是鍵/值對（Key/Value Pair）嵌入式資料庫管理系統程式設計庫。 雖然lmdb的記憶體消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允許多種訓練模型同時讀取同一組資料集。 因此lmdb取代了leveldb成為Caffe預設的資料集生成格式。

也就是說，這個程式的作用是為了將原始圖片素材和標籤對應轉換成caffe中能夠執行的lmdb檔案。

convert_test_lmdb.bat

F:\OpenSource\caffe\build\examples\mnist\Release\convert_mnist_data.exe 
F:\OpenSource\caffe\data\mnist\t10k-images.idx3-ubyte F:\OpenSource\caffe\data\mnist\t10k-labels.idx1-ubyte F:\OpenSource\caffe\data\mnist\lmdb\test_lmdb
pause

同上，convert_train_lmdb.bat是為了轉換用於訓練的lmdb檔案這個則是為了轉換用於測試的lmdb檔案

注意，用於生產存放lmdb檔案的資料夾一定要是不存在的，不然執行bat會報錯——處理程式停止響應

執行完以上兩個後，我們發現caffe\data\mnist\lmdb裡多了兩個資料夾

train.bat

F:\OpenSource\caffe\build\tools\Release\caffe.exe train -solver=F:/OpenSource/caffe/examples/mnist/lenet_solver.prototxt
pause

訓練模型生成迭代model檔案

必需檔案》》》

一、網路模型檔案 lenet_train_test.prototxt

位於caffe\examples\mnist

二、訓練超引數檔案 lenet_solver.prototxt

在 lenet_train_test.prototxt修改
TRAIN source路徑為訓練圖片的lmdb檔案路徑
TEST source路徑為測試圖片的lmdb檔案路徑

在 lenet_solver.prototxt中修改
net的path為網路模型檔案 lenet_train_test.prototxt的地址，
snapshot_prefix為生產訓練模型的地址caffe\data\mnist\model

如果snapshot_prefix不指定，模型檔案將會預設生成在train.bat同級資料夾下

迭代模型訓練時間根據計算機效能決定，一般在15——45分鐘

模型生產成功即意味著可以使用它來識別圖片

mnist_mean.bat

F:\OpenSource\caffe\build\tools\Release\compute_image_mean.exe F:\OpenSource\caffe\data\mnist\lmdb\train_lmdb F:\OpenSource\caffe\data\mnist\mean_file\mean.binaryproto
pause

mean_file需要自己建立，用於存放計算均值檔案mean.binaryproto

平均歸一化訓練出來的影象對識別結果有提升，所以要使用該方法計算出 訓練/測試資料的平均影象。且求平均影象的方法是直接從LevelDB或者LMDB資料庫裡面直接讀取出來的，而不是直接用影象資料庫裡面求出，所以要提供train_lmdb 路徑，才能求平均影象。

mnist_classification.bat

::分類執行檔案
F:\OpenSource\caffe\build\examples\cpp_classification\Release\classification.exe
::網路模型配置檔案,暫時不用改
F:\OpenSource\caffe\examples\mnist\lenet.prototxt
::訓練好的Caffe Model模型
F:\OpenSource\caffe\data\mnist\model\_iter_10000.caffemodel
::均值檔案的路徑
F:\OpenSource\caffe\data\mnist\mean_file\mean.binaryproto
::訓練影象label標籤
F:\OpenSource\caffe\data\mnist\mnist_lable.txt
::要測試的圖片檔案
F:\OpenSource\caffe\data\mnist\binarybmp\XXX.bmp
pause

mnist_lable.txt要怎麼寫？

這裡可以下載用於測試的Mnist圖片庫
http://pan.baidu.com/s/1hrXYLLi

執行mnist_classification.bat
顯示出識別結果

源圖片：

識別結果

第一行顯示的是該圖片為0的概率，可以看到它成功的識別出了數字0，經測試，這個模型識別數字的準確率大概為90%

下一次，我們將詳細解析模型分析出這樣結果的原因，及如何進一步提高識別率