一.Caffe训练自己的样本

一.概述

     caffe使用c++实现,架构精简,可移植性非常好,而本人对c++比较熟悉,就选了这个框架.caffe的运行提供三种接口:c++ ,python接口和matlab接口.

二.基础命令

    caffe的c++主程序（caffe.cpp)放在根目录下的tools文件夹内, 当然还有一些其它的功能文件，如：convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在这个文件夹内。经过编译后，这些文件都被编译成了可执行文件，放在了 ./build/tools/ 文件夹内。因此我们要执行caffe程序，都需要加 ./build/tools/ 前缀,也可以增加环境变量,可以直接运行caffe -help

如：

# sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh

caffe程序的命令行执行格式如下：

caffe  

其中的有这样四种：

• train
• test
• device_query
• time

对应的功能为：

train----训练或finetune模型（model),

test-----测试模型

device_query---显示gpu信息

time-----显示程序执行时间

其中的参数有：

• -solver
• -gpu
• -snapshot
• -weights
• -iteration
• -model
• -sighup_effect
• -sigint_effect

注意前面有个-符号。对应的功能为：

-solver：必选参数。一个protocol buffer类型的文件，即模型的配置文件。如：

# ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt

-gpu: 可选参数。该参数用来指定用哪一块gpu运行，根据gpu的id进行选择，如果设置为'-gpu all'则使用所有的gpu运行。如使用第二块gpu运行：

# ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 2

-snapshot:可选参数。该参数用来从快照（snapshot)中恢复训练。可以在solver配置文件设置快照，保存solverstate。如：

# ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate

-weights:可选参数。用预先训练好的权重来fine-tuning模型，需要一个caffemodel，不能和-snapshot同时使用。如：

# ./build/tools/caffe train -solver examples/finetuning_on_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel

-iterations: 可选参数，迭代次数，默认为50。 如果在配置文件文件中没有设定迭代次数，则默认迭代50次。

-model:可选参数，定义在protocol buffer文件中的模型。也可以在solver配置文件中指定。

-sighup_effect：可选参数。用来设定当程序发生挂起事件时，执行的操作，可以设置为snapshot, stop或none, 默认为snapshot

-sigint_effect: 可选参数。用来设定当程序发生键盘中止事件时（ctrl+c), 执行的操作，可以设置为snapshot, stop或none, 默认为stop

 

刚才举例了一些train参数的例子，现在我们来看看其它三个：

test参数用在测试阶段，用于最终结果的输出，要模型配置文件中我们可以设定需要输入accuracy还是loss. 假设我们要在验证集中验证已经训练好的模型，就可以这样写

# ./build/tools/caffe test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 100

这个例子比较长，不仅用到了test参数，还用到了-model, -weights, -gpu和-iteration四个参数。意思是利用训练好了的权重（-weight)，输入到测试模型中(-model)，用编号为0的gpu(-gpu)测试100次(-iteration)。

time参数用来在屏幕上显示程序运行时间。如：

# ./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -iterations 10

这个例子用来在屏幕上显示lenet模型迭代10次所使用的时间。包括每次迭代的forward和backward所用的时间，也包括每层forward和backward所用的平均时间。

# ./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -gpu 0

这个例子用来在屏幕上显示lenet模型用gpu迭代50次所使用的时间。

# ./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 10

利用给定的权重，利用第一块gpu，迭代10次lenet模型所用的时间。

device_query参数用来诊断gpu信息。

# ./build/tools/caffe device_query -gpu 0

最后，我们来看两个关于gpu的例子

# ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 0,1

# ./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu all

这两个例子表示： 用两块或多块GPU来平行运算，这样速度会快很多。但是如果你只有一块或没有gpu, 就不要加-gpu参数了，加了反而慢。

最后，在linux下，本身就有一个time命令，因此可以结合进来使用，因此我们运行mnist例子的最终命令是(一块gpu)：

$ sudo time ./build/toos/caffe train -solver examples/mnist/lenet_solver.prototxt

三.使用自己的数据制作LMDB和训练模型

第一步应该是制作train.txt (训练数据列表)和val.txt(测试数据列表),可以使用脚本或者python

使用自己的网络训练:

1./examples/mynet/create_imagenet.sh 

#!/usr/bin/env sh

# Create the imagenet lmdb inputs

# N.B. set the path to the imagenet train + val data dirs

set -e

EXAMPLE=examples/mynet #网络位置

DATA_HOME=/media/psf/Ubuntu/4.openSource/ai/faceData/VOCdevkit/myfacedetect/LMDB#数据位置

DATA=$DATA_HOME

TOOLS=build/tools

TRAIN_DATA_ROOT=$DATA/train/ #训练数据位置

VAL_DATA_ROOT=$DATA/val/#测试数据位置

# Set RESIZE=true to resize the images to 256x256. Leave as false if images have

# already been resized using another tool.

RESIZE=true

if $RESIZE; then

  RESIZE_HEIGHT=256 #图片大小重改

  RESIZE_WIDTH=256 #图片大小重改

else

  RESIZE_HEIGHT=0

  RESIZE_WIDTH=0

fi

if [ ! -d "$TRAIN_DATA_ROOT" ]; then

  echo "Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"

  echo "Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path" \

       "where the ImageNet training data is stored."

  exit 1

fi

if [ ! -d "$VAL_DATA_ROOT" ]; then

  echo "Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"

  echo "Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path" \

       "where the ImageNet validation data is stored."

  exit 1

fi

echo "Creating train lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \

    --resize_height=$RESIZE_HEIGHT \

    --resize_width=$RESIZE_WIDTH \

    --shuffle \

    $TRAIN_DATA_ROOT \

    $DATA/train.txt \

    $EXAMPLE/mynet_train_lmdb

echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \

    --resize_height=$RESIZE_HEIGHT \

    --resize_width=$RESIZE_WIDTH \

    --shuffle \

    $VAL_DATA_ROOT \

    $DATA/val.txt \

    $EXAMPLE/mynet_val_lmdb

echo "Done."

生成train ldb 和测试val ldb

注意:一定要仔细小心的路径要写对了,目录确定是在的

2.使用ldb生成mynet_mean.binaryproto

制作均值文件。

这个是为了图片归一化而生成的图片平均值文件，把所有的图片相加起来，做平均，具体的脚本如下：

#!/usr/bin/env sh

# Compute the mean image from the imagenet training lmdb

# N.B. this is available in data/ilsvrc12

EXAMPLE=examples/mynet

DATA=data/mynet

TOOLS=build/tools

$TOOLS/compute_image_mean $EXAMPLE/mynet_train_lmdb \

  $DATA/mynet_mean.binaryproto

echo "Done."

./examples/mynet/imagenet/make_imagenet_mean.sh 

生成mynet_mean.binaryproto

目录不对报错

jerry@ubuntu:~/work/3.project/1.ai/caffe/caffe$ ./examples/mynet/imagenet/make_imagenet_mean.sh 

I1214 16:46:25.026000  3699 db_lmdb.cpp:35] Opened lmdb examples/mynet/mynet_train_lmdb

I1214 16:46:25.028149  3699 compute_image_mean.cpp:70] Starting iteration

I1214 16:46:25.042284  3699 compute_image_mean.cpp:101] Processed 51 files.

I1214 16:46:25.043436  3699 compute_image_mean.cpp:108] Write to data/mynet/mynet_mean.binaryproto

F1214 16:46:25.049476  3699 io.cpp:69] Check failed: proto.SerializeToOstream(&output) 

*** Check failure stack trace: ***

    @     0x7ff0c43fa5cd  google::LogMessage::Fail()

    @     0x7ff0c43fc433  google::LogMessage::SendToLog()

    @     0x7ff0c43fa15b  google::LogMessage::Flush()

    @     0x7ff0c43fce1e  google::LogMessageFatal::~LogMessageFatal()

    @     0x7ff0c48ea415  caffe::WriteProtoToBinaryFile()

    @           0x4029b2  main

    @     0x7ff0c336a830  __libc_start_main

    @           0x402bb9  _start

    @              (nil)  (unknown)

Aborted (core dumped)

Done.

jerry@ubuntu:~/work/3.project/1.ai/caffe/caffe$  ./examples/mynet/imagenet/make_imagenet_mean.sh 

I1214 16:58:52.339138  6476 db_lmdb.cpp:35] Opened lmdb examples/mynet/mynet_train_lmdb

I1214 16:58:52.363159  6476 compute_image_mean.cpp:70] Starting iteration

I1214 16:58:52.382580  6476 compute_image_mean.cpp:101] Processed 51 files.

I1214 16:58:52.383329  6476 compute_image_mean.cpp:108] Write to data/mynet/mynet_mean.binaryproto

I1214 16:58:52.386101  6476 compute_image_mean.cpp:114] Number of channels: 3

I1214 16:58:52.386500  6476 compute_image_mean.cpp:119] mean_value channel [0]: 102.964

I1214 16:58:52.386674  6476 compute_image_mean.cpp:119] mean_value channel [1]: 109.14

I1214 16:58:52.386775  6476 compute_image_mean.cpp:119] mean_value channel [2]: 110.487

最后训练:

这一步遇到很多很多很多问题

examples/mynet/train_caffenet.sh

jerry@ubuntu:~/work/3.project/1.ai/caffe/caffe$./examples/mynet/train_caffenet.sh

目前的问题是不停的打印:

I1214 18:44:05.357269 22592 data_layer.cpp:73] Restarting data prefetching from start.