【caffe-Windows】cifar例項編譯之model的生成
參考：<span style="font-family: Arial, Helvetica, sans-serif;">http://blog.csdn.net/chengzhongxuyou/article/details/50715455</span>準備工作
按照之前的教程，成功生成過caffe，並且編譯整個caffe.sln專案工程，在\caffe-master\Build\x64\Debug生成了一堆exe檔案，後面會使用到除了caffe.exe的另外一個exe
【PS】很多VS安裝過程中出現問題的，比如XX載入失敗，XX未找到等，請自行尋找問題，很可能是原來的VS沒解除安裝乾淨，或者VS版本缺少一些檔案等導致。正常情況下，第一次編譯只有libcaffe.lib顯示失敗，不會出現其它error
第一步
下載cifar的資料集
多一句嘴，這個資料集是彩色圖片，也即具有RGB三通道，資料儲存方式是一行為一張圖片，包含3*32*32=3072個畫素屬性，具體多少張圖片，有興趣的可以去官網看看，或者看看資料集的儲存格式：樣本數(圖片數)*3072
【與訓練model無關】下面程式碼是用matlab寫的，用於顯示其中一個樣本，當然你可以用reshape函式，前面我介紹過這個函式
image=zeros(32,32,3); count=0; for i=1:3 for j=1:32 for k=1:32 count=count+1; image(j,k,i)=data(1000,count); end end end imshow(uint8(image))
第二步
下載完畢以後，解壓得到資料，請核對是否與下圖一樣
按照下列路徑，在自己的caffe目錄下建立input_folder資料夾，並拷貝相應資料集
第三步
在input_folder的上一級目錄，也就是Debug目錄建立一個bat檔案(名稱隨意，我用的是convert.bat)，用於轉換資料集格式，內容如下
convert_cifar_data.exe input_folder output_folders leveldb
pause
【PS】caffe-windows是caffe官方提供的caffe，與caffe-master差不多，我這裡為了從頭演示，沒有在master裡面操作，無視之即可
執行此bat檔案，會生成一個資料夾output_folders，裡面有兩個資料夾，請核對路徑以及檔案數目
第四步
計算均值，新建另一個bat檔案（本文采用mean.bat），如下圖所示，請核對路徑
compute_image_mean.exe output_folders/cifar10_train_leveldb mean.binaryproto
pause
雙擊此bat檔案，不出意外會出現下面問題：
解決方法有兩種
第一種：開啟caffe.sln，修改compute_image_mean.cpp
重新生成一下，得到新的計算均值的exe檔案【電腦編譯中。。。等待ing。。。。】
第二種：感謝評論區的提示，直接在bat後面新增--backend=leveldb，同時也可以換成--backend=lmdb
編譯完畢，重新執行bat檔案，仔細檢查debug資料夾，會發現有一個檔名為：mean.binaryproto
第五步
將debug資料夾下的mean.binaryproto以及output_folders下的兩個資料夾拷貝到caffe-windows\examples\cifar10
在caffe-windows也就是caffe-master（根據版本自行決定）資料夾下新建一個bat檔案，用於訓練模型，本文使用train.bat
.\Build\x64\Debug\caffe.exe train --solver=examples/cifar10/cifar10_quick_solver.prototxt
pausecifar10_quick_solver.prototxt檔案：
# reduce the learning rate after 8 epochs (4000 iters) by a factor of 10
# The train/test net protocol buffer definition
net: "examples/cifar10/cifar10_quick_train_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 network.
base_lr: 0.001
momentum: 0.9
weight_decay: 0.004
# The learning rate policy
lr_policy: "fixed"
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 4000
# snapshot intermediate results
snapshot: 4000
snapshot_format: HDF5
snapshot_prefix: "examples/cifar10/cifar10_quick"
# solver mode: CPU or GPU
solver_mode: CPU
cifar10_quick_train_test.prototxt檔案【只貼前面一部分】，需要修改的就是資料格式為leveldb，以及相關路徑，自行核對
name: "CIFAR10_quick"
layer {
name: "cifar"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mean_file: "examples/cifar10/mean.binaryproto"
}
data_param {
source: "examples/cifar10/cifar10_train_leveldb"
batch_size: 100
backend: LEVELDB
}
}
layer {
name: "cifar"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mean_file: "examples/cifar10/mean.binaryproto"
}
data_param {
source: "examples/cifar10/cifar10_test_leveldb"
batch_size: 100
backend: LEVELDB
}
}
【PS】一定要細心
最後，執行train.bat時候出現如下介面，說明正在訓練
是不是感覺和網上看到的不一樣呢？網上都是各種iteration 和loss顯示在命令視窗，但是這裡出現了prefetch batch等。原因在於我們用的是debug模式下生成的caffe在訓練，如果想看到如下情形的結果，請將caffe.sln使用release模式生成(用VS2013打卡caffe.sln以後，上方中間部分的dubug改為release，然後右鍵工程，重新生成)
第六步
訓練完成，會得到如下檔案
下面是我訓練好的cifar10的model，讀者可下載，可自行訓練
cifar10_quick_iter_4000.caffemodel.h5的連結：http://pan.baidu.com/s/1o8xSqr4 密碼：ftc5
cifar10_quick_iter_4000.solverstate.h5的連結：連結：http://pan.baidu.com/s/1eRGPlNs 密碼：589n
第七步
附帶說一下caffe train 的finetuning。我們在編譯成功caffe以後顯示的dos視窗顯示的有一行是：
commands:
train train or finetune a model凡是遇到caffe train -solver=xxxx -weights=xxxxxx.caffemodel(.h5)，那就是用已有模型引數(權重偏置)去初始化網路，稱為finetune