但是從這裡下載的資料集需要進行格式轉換（轉換方法以後會說到的），所以我現在選擇下載現成的資料集如此zip檔案

解壓後得到這麼兩個資料夾：

（附：這了兩個資料夾中的內容：

）

將這兩個資料夾放入D:/caffe-master/examples/mnist中（因為我把caffe-master解壓在了D盤根目錄下，大家自己尋找自己的caffe-master就可以了），

效果如圖

二、修改相關檔案

①在D:\caffe-master\examples\mnist中，用VS2013開啟lenet_solver..protptxt檔案，如圖：

，拉到最後一行做如下修改：，該頁面包括了最大迭代次數，max_iter，以及輸出中間結果

②在D:\caffe-master\examples\mnist中，用VS2013開啟lenet_train_test.prototxt檔案，如圖：，進行如圖所示修改，兩個source，定位到資料集資料夾名字。

三、返回caffe-master所在目錄中，新建一個txt檔案，輸入如下程式碼，效果如圖

Build\x64\Debug\caffe.exe train --solver=examples\mnist\lenet_solver.prototxt

Pause

然後將字尾改為bat，效果如圖，然後雙擊此檔案，就進入訓練了，效果如圖

此過程caffe採用的GLOG庫內方法列印的資訊，這個庫主要是起記錄日誌的功能，方便出現問題時查詢根源，具體格式為：

                【日期】【時間】【程序號】【檔名】【行號】

四、等待訓練結束，如下圖：

①

上面顯示了訓練精確率0.996

損失函式0.0291871

②在訓練過程中：

中間有些比較長的部分，可以通過拉動視窗右側小條找到

下圖：

顯示當前迭代次數和以及損失值，訓練過程中不產生精確率accuracy

③當迭代次數達到lenet_solver.prototxt定義的max_iter時，就可以認為訓練結束了，並且在訓練結束後，在D:\caffe-master\examples\mnist資料夾中會多出如下四個檔案：

這時產生訓練出的模型（檔案字尾名為caffemodel和solverstate），它們分別是訓練至一半（

五、測試資料集（摘自網路）

接下來就可以利用模型進行測試了，關於測試的方法按照以上教程還是選擇bat檔案，當然python、matlab更為方便，比如可以迅速把識別錯誤的圖片顯示出來。

①產生均值檔案mean.binaryproto

在進行分類之前首先需要產生所有圖片平均值圖片，真正分類時的每個圖片都會先減去這張平均值圖片再進行分類。這樣的處理方式能夠提升分類的準確率。

產生均值檔案的方法是利用解決方案中的compute_image_mean.exe，位於目錄D:/caffe-master/Build/x64/Debug下。回到caffe-master根目錄下建立一個mnist_mean.txt，寫入如下內容：

Build\x64\Debug\compute_image_mean.exe examples\mnist\mnist_train_leveldb mean.binaryproto --backend=leveldb

pause

效果如圖：

然後把.txt字尾改為.bat，檔案如圖所示：

然後雙擊執行（其實寫了那麼多bat檔案也因該有體會了，只要指定的路徑正確就行，不一定非要放在caffe-master根目錄下）。正確執行的話會在根目錄下產生一個mean.binaryproto，也就是我們所需要的均值檔案，如右圖所示：

接著為了使用均值檔案需要稍微修改下層的定義（其實還是添加了如下圖兩行程式碼mean file的兩行程式碼），然後用VS2013開啟D:\caffe-master\examples\mnist\lenet_train_test.prototxt

並作如下修改，如圖所示：

儲存退出

至此，均值檔案的預處理部分處理完畢，下面就可以進行測試了（至於為什麼這樣預處理，我也在學習中，知道的朋友還麻煩在下面評論區說一下，謝謝啦）。

②利用mnist資料集進行測試

這部分比較簡單，因為之前生成的caffe.exe就可以直接用來進行測試。同樣地在caffe-master根目錄下新建mnist_test.txt，並寫入如下內容（其中間斷處都為一個空格）

內容如下：

.\Build\x64\Debug\caffe.exe test --model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel

pause  

效果如圖所示：

注意：這裡的測試，指的是把訓練出的模型，應用在剛才的訓練集上，看一下測試精度。

③這一步往後就比較實用了，先介紹如何製作手寫數字的單張測試樣本。

必須使用經過二值化後的圖片

把轉換好的二值影象拷貝到D:\caffe-master\examples\mnist\

在D:\caffe-master\examples\mnist下建立標籤檔案synset_words.txt，如圖所示

裡面輸入如圖所示：

④呼叫classification.exe去識別某張圖片，D:\caffe-master目錄新建mnist_class.bat

D:\caffe-master\Build\x64\Debug\classification.exe D:\caffe-master\examples\mnist\lenet.prototxt D:\caffe-master\examples\mnist\lenet_iter_10000.caffemodel D:\caffe-master\mean.binaryproto D:\caffe-master\examples\mnist\synset_words.txt D:\caffe-master\examples\mnist\binarybmp\0.bmp  

pause  

 注意：此處使用的lenet.prototxt是一個deploy檔案，這個檔案只是高速分類程式（mnist_classification.exe）網路結構是怎麼樣子的，不需要反向計算，不需要計算誤差。

然後得到如圖所示結果：

解釋一下結果：在最後的分類結果中，一共顯示了5行（據說程式中可以控制，但是我並沒有找到），表示輸入的這張圖片與它最像的有這5類，前面的0和1表示得分，這5行前面的得分和應該為1，也就是1+0+0+0+0=1，第一項得分最高，所以識別此圖為6.

⑤接下來我打算自己用畫圖做一個試一下,

這是我用畫圖做的，如圖所示

（這是桌面截圖，把下面的89.bmp截圖的目的是待會兒給大家看一下怎麼修改網路）

怕格式（包括大小以及畫素問題）不正確，我用它的圖片集修改的，然後輸入到網路中，也就是在上一步中建立的mnist_class.bat中用記事本開啟，做如圖所示修改：

儲存退出，雙擊mnist_class.bat，開始執行，得到如下結果：

 “7”得分最高，所以網路識別圖片中的數字為7

自己製作資料整合功！