學習caffe中踩了不少坑，這里我參考了此博主的文章，并體會到了如何訓練自己的模型：http://www.cnblogs.com/denny402/p/5083300.html

學習caffe的目的，不是簡單的做幾個練習，最終還是要用到自己的實際項目或科研中。因此，本文介紹一下，從自己的原始圖片到lmdb數據，再到訓練和測試模型的整個流程。

一、準備數據

有條件的同學，可以去imagenet的官網http://www.image-net.org/download-images，下載imagenet圖片來訓練。但是我沒有下載，一個原因是注冊賬號的時候，驗證碼始終出不來（聽說是google網站的驗證碼，而我是上不了google的）。第二個原因是數據太大了。。。

我去網上找了一些其它的圖片來代替，共有500張圖片，分為大巴車、恐龍、大象、鮮花和馬五個類，每個類100張。需要的同學，可到我的網盤下載：http://pan.baidu.com/s/1nuqlTnN

編號分別以3，4，5，6，7開頭，各為一類。我從其中每類選出20張作為測試，其余80張作為訓練。因此最終訓練圖片400張，測試圖片100張，共5類。我將圖片放在caffe根目錄下的data文件夾下面。即訓練圖片目錄：data/re/train/ ,測試圖片目錄: data/re/test/

二、轉換為lmdb格式

具體的轉換過程，可參見我的前一篇博文：Caffe學習系列(11)：圖像數據轉換成db（leveldb/lmdb)文件

首先，在examples下面創建一個myfile的文件夾，來用存放配置文件和腳本文件。然后編寫一個腳本create_filelist.sh，用來生成train.txt和test.txt清單文件

# sudo mkdir examples/myfile
# sudo vi examples/myfile/create_filelist.sh

編輯此文件，寫入如下代碼，并保存

按 Ctrl+C 復制代碼

?

按 Ctrl+C 復制代碼

然后，運行此腳本

# sudo sh examples/myfile/create_filelist.sh

成功的話，就會在examples/myfile/ 文件夾下生成train.txt和test.txt兩個文本文件，里面就是圖片的列表清單。

接著再編寫一個腳本文件，調用convert_imageset命令來轉換數據格式。

# sudo vi examples/myfile/create_lmdb.sh

插入：

按 Ctrl+C 復制代碼

?

按 Ctrl+C 復制代碼

因為圖片大小不一，因此我統一轉換成256*256大小。運行成功后，會在 examples/myfile下面生成兩個文件夾img_train_lmdb和img_test_lmdb，分別用于保存圖片轉換后的lmdb文件。

三、計算均值并保存

圖片減去均值再訓練，會提高訓練速度和精度。因此，一般都會有這個操作。

caffe程序提供了一個計算均值的文件compute_image_mean.cpp，我們直接使用就可以了

# sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto

compute_image_mean帶兩個參數，第一個參數是lmdb訓練數據位置，第二個參數設定均值文件的名字及保存路徑。
運行成功后，會在 examples/myfile/ 下面生成一個mean.binaryproto的均值文件。

四、創建模型并編寫配置文件

模型就用程序自帶的caffenet模型，位置在?models/bvlc_reference_caffenet/文件夾下, 將需要的兩個配置文件，復制到myfile文件夾內

# sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/
# sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/

修改其中的solver.prototxt

# sudo vi examples/myfile/solver.prototxt

net: "examples/myfile/train_val.prototxt"
test_iter: 2
test_interval: 50
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 500
momentum: 0.9
weight_decay: 0.005
solver_mode: GPU

100個測試數據，batch_size為50，因此test_iter設置為2，就能全cover了。在訓練過程中，調整學習率，逐步變小。

修改train_val.protxt，只需要修改兩個階段的data層就可以了，其它可以不用管。

name: "CaffeNet"
layer {name: "data"type: "Data"top: "data"top: "label"include {phase: TRAIN}transform_param {mirror: truecrop_size: 227mean_file: "examples/myfile/mean.binaryproto"}data_param {source: "examples/myfile/img_train_lmdb"batch_size: 256backend: LMDB}
}
layer {name: "data"type: "Data"top: "data"top: "label"include {phase: TEST}transform_param {mirror: falsecrop_size: 227mean_file: "examples/myfile/mean.binaryproto"}data_param {source: "examples/myfile/img_test_lmdb"batch_size: 50backend: LMDB}
}

實際上就是修改兩個data layer的mean_file和source這兩個地方，其它都沒有變化 。

五、訓練和測試

如果前面都沒有問題，數據準備好了，配置文件也配置好了，這一步就比較簡單了。

# sudo build/tools/caffe train -solver examples/myfile/solver.prototxt

運行時間和最后的精確度，會根據機器配置，參數設置的不同而不同。我的是gpu+cudnn運行500次，大約8分鐘，精度為95%。

?

分類:?caffe