cifar10数据集的训练测试及ResNet20模型测试
参考博客：http://blog.csdn.net/hongbin_xu/article/details/76407581
cifar10数据集:http://www.cs.toronto.edu/~kriz/cifar.html
CIFAR-10数据集包括由10个类别的事物，每个事物各有6000张彩色图像，每张图片的大小是32*32。
整个数据集被分成了5个训练集和1个测试集，各有10000张图片，即50000张图片用于训练，10000张图片用于测试（交叉验证）
下载数据
cd $CAFFE_ROOT
./data/cifar10/get_cifar10.sh下载完成后，$CAFFE_ROOT/data/cifar10下多出了一些文件：
训练集：
这5个文件就是分成了5份的那50000张图片:
data_batch_1.bin
data_batch_2.bin
data_batch_3.bin
data_batch_4.bin
data_batch_5.bin
测试集：
测试数据集，总共10000张图片:
test_batch.bin
类别说明：
说明了整个cifar-10数据集所包括的10个事物类别:
batches.meta.txt
图片格式转换
cd $CAFFE_ROOT
./examples/cifar10/create_cifar10.sh之后会在目录下生成三个文件：
cifar10_test_lmdb：测试集的lmdb文件
cifar10_train_lmdb：训练集的lmdb文件
mean.binaryproto：整个数据集所有图片的均值文件
训练数据集
cd $CAFFE_ROOT
./examples/cifar10/train_quick.sh如果使用的是cpu模式，需要到文件中提到的所有prototxt文件中修改solver_mode为cpu。最后训练完时的准确率是75%左右，效果并不是很好。
下面用ResNet模型精确度可以达到90%以上
测试模型
测试时用到了caffe的python接口，所以一定要先编译并配置好了好了pycaffe。
我们不自己从头写python代码了，使用caffe提供的$CAFFE_ROOT/python/classify.py文件，参考自：http://blog.csdn.net/asukasmallriver/article/details/73089944
打开classify.py：
在图中所示位置添加一行代码，目的是修改均值计算错误 ：
mean=mean.mean(1).mean(1) 
将预测的结果打印出来：
print("Predictions:%s" % predictions) #在如图位置添加
添加如下代码到最后，目的是将结果排序，并找到对应的是什么：
# match the result
labelNums = len(predictions[0])
labels = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
for i in range(labelNums):
if i == 0:
maxPrediction = predictions[0][i]
maxIndex = i
else:
if maxPrediction < predictions[0][i]:
maxIndex = i
maxPrediction = predictions[0][i]
print(labels[maxIndex])修改完就可以来测试了，caffe在$CAFFE_ROOT/examples/images下有一些图片：
python python/classify.py --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_4000.caffemodel --center_only examples/images/cat.jpg foocifar数据集训练的结果识别效果不是很好，准确率较低，这里仅做学习实验用.
ResNet20模型进行测试
ResNet:https://github.com/junyuseu/ResNet-on-Cifar10
下载模型到cifar10下，修改.prototxt文件中的数据集路径
测试：
./build/tools/caffe test -model res20_cifar_train_test.prototxt -weights ResNet_20.caffemodel -iterations 100 #batch_size为100，所以这里设置迭代次数为100次最终测试结果：
