一.資料的準備與預處理
資料的準備是非常重要的，我們現在準備做的是一個二分類任務，計劃選取男女圖片進行訓練與測試。
train：隨機選取300張男性圖片，300張女性圖片
val：隨機選取80張男性圖片，80張女性圖片
test：隨機選取100張男性圖片，100張女性圖片
ps：train集和val可以有交集，但是train集和test集不要有交集
我手裡找到了一批512*768的圖片，先使用matlab進行裁剪和縮放為128*128的圖片，要儘量將圖片中任務的體貌特徵全部涵蓋（肩膀以上），選取其中的正面照。
如下圖所示

將圖片處理好之後，還需要將其轉化為LMDB格式
詳細操作可參考該文件：

其中：
logs：為存放訓練日誌的資料夾
snapshot：為用於存放訓練生成的caffemodel的資料夾
trainval.prototxt：alexnet網路的定義與資料的載入
solver.prototxt: 解決網路的引數
deploy.prototxt：alexnet網路的定義
如何將trainval.prototxt檔案轉化為deploy.prototxt檔案，可參考該文件：

接下來介紹需要我們修改的地方
trainval.prototxt：
首先我們要修改source路徑和mean_file路徑
然後將全連線層的num_output設定為2，儲存即可

solver.prototxt：
修改snapshot_prefix和net路徑，然後儲存

deploy.prototxt：
全連線層的num_output設定為2，儲存即可

三.訓練模型
現在我們已經做好了所有的事前準備，開始訓練模型

cd caffe
sudo GLOG_logtostderr
 
=0 GLOG_log_dir=/home/hca/caffe/examples/Alexnet/logs ./build/tools/caffe train -solver /home/hca/caffe/examples/Alexnet/solver.prototxt 

訓練好的模型會存放到snapshot資料夾下
四.將mean.binaryproto檔案轉化為mean.npy檔案
參考文件：https://blog.csdn.net/swiftfake/article/details/80624082
五.測試訓練模型
訓練結束以後，我們需要測試以下我們訓練的模型是否正常
測試的方法有c++和python兩種方式，不過說徹底點python也只是呼叫了c++的方法
上程式碼：

import sys 
sys.path.append('./python')
sys.path.append('./python/caffe')

import caffe 
import numpy as np 
import cv2 
import argparse

import matplotlib.pyplot as plt

color = {'female':'0', 'male':'1'}

root = '×××/caffe/'
caffe_model = root + '×××/×××.caffemodel'#存放caffemodel的路徑
deploy = root + '×××/deploy.prototxt'#存放deploy檔案的路徑
mean_file='××××/mean.npy'#存放mean.npy檔案的路徑
def classifier(img, net):
    transformer = caffe.io.Transformer({'data': net.blobs['data'].data.shape})
    transformer.set_transpose('data', (2,0,1))
    transformer.set_mean('data', np.load(mean_file).mean(1).mean(1))
#    transformer.set_raw_scale('data', 255)
#    transformer.set_channel_swap('data', (2,1,0))
    net.blobs['data'].data[...]= transformer.preprocess('data',img)
    out = net.forward()
    prob = out['prob']
    print prob
    return np.argmax(prob)


if __name__ == '__main__':

    testList = open('×××/test.txt', 'r')#存放測試檔案的路徑
    caffe.set_mode_gpu()
    caffe.set_device(0)
    net = caffe.Net(deploy, caffe_model, caffe.TEST)
    count = 0
    for line in testList:      
        imagePath = line.split()[0]   
        label = line.split()[1]    
        path = imagePath    
        img = cv2.imread(path)
        plt.imshow(img)
        plt.axis('on')
        plt.show()
        result = classifier(img, net)
        print '-------------------------------'
        plt.imshow(img)
        plt.axis('off')
        plt.show()
        print result
        print label
        print '-------------------------------'
        if result == int(label):
            count = count+1
    Precession = count*1.0/20     #20為測試圖片的數量，可自行設定，也可以重新定義
    print 'Precession is {}'.format(str(Precession))