使用資料庫：CIFAR-10

60000張 32X32 彩色影象 10類，50000張訓練，10000張測試

具體操作實現：

（1）獲取資料庫

1. #下面假定caffe的根目錄是 CAFFE_ROOT，在終端輸入命令下載資料集：  
2. cd  $CAFFE_ROOT  
3. ./data/cifar10/get_cifar10.sh  #該指令碼會下載二進位制的cifar，並解壓，會在/data/cifar10中出現很多batch檔案  
4. ./examples/cifar10/create_cifar10.sh #執行後將會在examples中出現數據集./cifar10_xxx_lmdb和資料集影象均值./mean.binaryprot  

上邊是比較籠統的資料下載過程，主要分為兩步：下載與轉換。但是，對於一個新手來說，這點提示完全不知道該怎麼做，小編我就不明白，後來經過自己的不斷嘗試，終於搞定了。所以好多東西靠網上還是不靠譜的，還是要靠自己不斷嘗試。下面給出具體的步驟：

1）執行get_cifar10.sh 檔案。

小編這裡，該檔案所在位置為  Downloads/caffe-master/data/cifar10

用 cd 命令定位到該檔案所在處：

如：

1. [email protected]:~$ cd Downloads  
2. [email protected]:~/Downloads$ cd caffe-master  #定位到根目錄
     

然後再執行： ./get_cifar10.sh  命令，下載資料

1. [email protected]:~/Downloads/caffe-master$ ./data/cifar10/get_cifar10.sh  

1. #該指令碼會下載二進位制的cifar，並解壓，會在/data/cifar10中出現很多batch檔案  

2）執行create_cifar10.sh 檔案。

小編這裡，該檔案所在位置為  Downloads/caffe-master/examples/cifar10

由於create_cifar10.sh  檔案只在根目錄下執行，所以如果先將位置定位到create_cifar10 所在資料夾處，再執行 create_cifar10  是會報錯誤的。

報出如下錯誤：

./create_cifar10.sh: 13: ./create_cifar10.sh: ./build/examples/cifar10/convert_cifar_data.bin: not found

所以用如下語句執行 create_cifar10.sh 檔案。 執行後將會在examples中出現數據集./cifar10_xxx_lmdb和資料集影象均值./mean.binaryproto

1. [email protected]:~$ cd Downloads  
2. [email protected]:~/Downloads$ cd caffe-master  
3. [email protected]:~/Downloads/caffe-master$ ./examples/cifar10/create_cifar10.sh  

create_cifar10.sh  所做的工作就是將圖片庫轉成leveldb格式，並計算均值二進位制檔案

執行之後，將會在examples中出現數據庫檔案./cifar10-leveldb和資料庫影象均值二進位制檔案./mean.binaryproto

1. （2）開始訓練 #$CAFFE_ROOT為 caffe 的根目錄  
2. cd $CAFFE_ROOT  
3. ./examples/cifar10/train_quick.sh  

具體操作如下：

1. [email protected]:~$ cd Downloads  
2. [email protected]:~/Downloads$ cd caffe-master  
3. [email protected]:~/Downloads/caffe-master$ ./examples/cifar10/train_quick.sh# ./train_quick.sh  命令，訓練資料  

訓練完成後我們會得到：

  cifar10_quick_iter_4000.caffemodel.h5

  cifar10_quick_iter_4000.solverstate.h5

  此時，我們就訓練得到了模型，用於後面的分類

執行中出現的問題：

在執行訓練語句後，出現提示問題：

1. [email protected]:~/Downloads/caffe-master$ ./examples/cifar10/train_quick.sh  
2. I0802 17:42:26.469802  5520 caffe.cpp:217] Using GPUs 0  
3. F0802 17:42:26.470361  5520 common.cpp:66] Cannot use GPU in CPU-only Caffe: check mode.  

在配置Makefile.config已經將其變為CPU-only 了，可還是出現這樣的問題，這是由於在 cifar10_quick_solver.prototxt中未將其解決模式改為CPU。其他的找到相應的solver.prototxt進行更改。

（3）使用訓練的模型來分類新資料

先直接用一下別人的模型分類試一下：（預設用的ImageNet的模型）

1. python python/classify.py examples/images/cat.jpg foo  

下面我們來指定自己的模型進行分類：

1. python python/classify.py --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5 --center_only  examples/images/cat.jpg foo  

上面這句話的意思是，使用cifar10_quick.prototxt網路 + cifar10_quick_iter_4000.caffemodel.h5模型，對examples/images/cat.jpg圖片進行分類。

預設的classify指令碼不會直接輸出結果，而是會把結果輸入到foo檔案裡，不太直觀，這裡我在網上找了一個修改版，添加了一些引數，可以輸出概率最高的分類。

這個指令碼添加了兩個引數，可以指定labels_file，然後可以直接把分類結果輸出出來：

python python/classify.py --print_results --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5 --labels_file data/cifar10/cifar10_words.txt  --center_only  examples/images/cat.jpg foo

輸出結果：

Loading file: examples/images/cat.jpg
Classifying 1 inputs.
predict 3 inputs.
Done in 0.02 s.
Predictions : [[ 0.03903743  0.00722749  0.04582177  0.44352672  0.01203315  0.11832549
   0.02335102  0.25013766  0.03541689  0.02512246]]
python/classify.py:176: FutureWarning: sort(columns=....) is deprecated, use sort_values(by=.....)
  labels = labels_df.sort('synset_id')['name'].values
[('cat', '0.44353'), ('horse', '0.25014'), ('dog', '0.11833'), ('bird', '0.04582'), ('airplane', '0.03904')]
上面標明瞭各個分類的順序和置信度
Saving results into foo

最後，總結一下訓練一個網路用到的相關檔案：

cifar10_quick_solver.prototxt：方案配置，用於配置迭代次數等資訊，訓練時直接呼叫caffe train指定這個檔案，就會開始訓練

cifar10_quick_train_test.prototxt：訓練網路配置，用來設定訓練用的網路，這個檔案的名字會在solver.prototxt裡指定

cifar10_quick_iter_4000.caffemodel.h5：訓練出來的模型，後面就用這個模型來做分類

cifar10_quick_iter_4000.solverstate.h5：也是訓練出來的，應該是用來中斷後繼續訓練用的檔案

cifar10_quick.prototxt：分類用的網路

模型介紹

模型描述在examples/cifar10/cifar10_quick_solver.prototxt 和 examples/cifar10/cifar10_quick_train_test.prototxt 中。

模型訓練是 執行 train_quick.sh