Abstract：本文將講解如何利用自己的人臉資料在vgg-face上finetuing，主要包括資料的生成和檔案的設定，以及最後的執行。

2.資料準備
為了簡單我們就用AR資料庫作為例子。AR資料庫樣本如圖1所示。

下面分3步來說明如何生成Imdb檔案。caffe程式碼下載出來如圖2所示（確保caffe已經編譯成功，會出現.build_release資料夾）。就在該目錄下建立一個新的資料夾，命名為vggface。

2.1建立資料庫和標籤檔案
資料庫和標籤檔案都儲存在vggface檔案中。一個命名為train，一個命名為val，表示一個是訓練集一個是驗證集。標籤檔案為txt格式的檔案，命名為train.txt和val.txt。
train資料夾儲存檔案如圖3(a)所示，train.txt格式如圖3(b)，保證每一張圖片對應的標籤正確。（val也如此）

2.2建立生成lmdb格式的指令碼
先把程式碼貼出來，這個生成imagenet的lmdb一樣。

#!/usr/bin/env sh
# Create the imagenet lmdb inputs
# N.B. set the path to the imagenet train + val data dirs

EXAMPLE=vggface
DATA=vggface
TOOLS=./build/tools

TRAIN_DATA_ROOT=vggface/train/
VAL_DATA_ROOT=vggface/val/

# Set RESIZE=true to resize the images to 256x256. Leave as false if images have
 

# already been resized using another tool.
RESIZE=true
if $RESIZE; then
  RESIZE_HEIGHT=224
  RESIZE_WIDTH=224
else
  RESIZE_HEIGHT=0
  RESIZE_WIDTH=0
fi

if [ ! -d "$TRAIN_DATA_ROOT" ]; then
  echo "Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"
  echo "Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path"
 
 \
       "where the ImageNet training data is stored."
  exit 1
fi

if [ ! -d "$VAL_DATA_ROOT" ]; then
  echo "Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"
  echo "Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path" \
       "where the ImageNet validation data is stored."
  exit 1
fi

echo "Creating train lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset.bin \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $TRAIN_DATA_ROOT \
    $DATA/train.txt \
    $EXAMPLE/face_train_lmdb

echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset.bin \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $VAL_DATA_ROOT \
    $DATA/val.txt \
    $EXAMPLE/face_val_lmdb

echo "Done."

這個指令碼仿寫即可。注意RESIZE_HEIGHT=224，因為vgg處理的圖片的尺寸是224*224的。
現在指令碼檔案寫好了，儲存為vggface.sh。我們只需要執行sh vggface.sh(注意自己的執行目錄)就可以生成兩個新的資料夾，分別為face_train_lmdb和 face_val_lmdb。
2.2生成均值的指令碼檔案

#!/usr/bin/env sh
# Compute the mean image from the imagenet training lmdb
# N.B. this is available in data/ilsvrc12

EXAMPLE=vggface
DATA=vggface
TOOLS=./build/tools

$TOOLS/compute_image_mean $EXAMPLE/face_train_lmdb \
  $DATA/face_mean.binaryproto

echo "Done."

寫好上面的指令碼檔案，儲存為make_mean.sh就可以了，一樣的執行sh make_mean.sh就生成了face_mean.binaryproto。
通過三步就生成了caffe可以finetuing的檔案了。

3.訓練網路
第三部分就開始訓練網路了，首先需要到vggface的官網上下載vggface的caffe模型（官網還包括matconvnet模型，試過finetuning太慢了，torch沒有試過），下載好了，就會有兩個檔案，一個是VGG_FACE_deploy.prototxt，一個是VGG_FACE.caffemodel。
先建立一個.prototxt檔案，命名為vggface_train_test.prototxt即可，把之前VGG_FACE_deploy.prototxt的所有的複製過來，然後加入資料層。程式碼如下

name: "vggface_train_test.prototxt"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 224
    mean_file: "vggface/face_mean.binaryproto"
  }
  data_param {
    source: "vggface/face_train_lmdb"
    batch_size: 20
    backend: LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 224
    mean_file: "vggface/face_mean.binaryproto"
  }
  data_param {
    source: "vggface/face_val_lmdb"
    batch_size: 20
    backend: LMDB
  }
}

原檔案的第一個layer之前新增即可。拉到檔案的最底部，有個num_output: 2622的那一層，這一層主要是概率輸出層，就是softmax分類器層。因為vgg訓練這個網路，用了2622個人，所以就是2622，現在可以根據自己的人的個數來設定，我用了92個人，把num_output: 2622改為了num_output: 92，並且把name：改為了facefc8。
好了，現在網路搭建好。
現在就開始改solver檔案了。如果沒有就寫一個solver檔案，儲存為solver.prototxt。如下：

net: "vggface/vggface_train_test.prototxt"
test_iter: 500
test_interval: 500
test_initialization: false
display: 40
average_loss: 40
base_lr: 0.00005
lr_policy: "step"
stepsize: 320000
gamma: 0.96
max_iter: 1000
momentum: 0.9
weight_decay: 0.0002
snapshot: 500
snapshot_prefix: "vggface/mymodel"
solver_mode: GPU

然後再寫一個訓練的指令碼檔案就可以了,命名為vgg_training.sh,如下：

#!/usr/bin/env sh

./build/tools/caffe train \
    --solver=vggface/solver.prototxt \
    --weights=vggface/VGG_FACE.caffemodel -gpu=0

主要就是weights=vggface/VGG_FACE.caffemodel，這個代表在VGG_FACE.caffemodel上finetuing了。
現在只要執行sh vgg_training.sh就可以在vggface上finetuing了，跑結果模型也會儲存在vggface資料夾中，以後方法模型的使用。對模型使用可以用c++呼叫，也可以用matlab呼叫，都有例程。訓練新模型可以參見：http://blog.csdn.net/hlx371240/article/details/52980104

其他圖片分類或者其他任務都可以按照這樣的步驟來做。有空再講講在matconvent的finetuing吧，因為matconvent主要是在matlab下做的，非常慢，不過效果還行。以後有空再講講搭建網路完成其他任務吧。

仰望藍天，呼吸新鮮空氣