参考：blog.csdn.net/qq_32211827/article/details/54574924
CIFAR10简介
（1）cifar10是是由Hinton的两大弟子Alex Krizhevsky,ilya Sutskever收集的一个用于普适物体识别的数据集。Cifar是加拿大政府牵头投资的一个先进科学项目研究所。Hinton，Bengio以及他的学生在2004年拿到了Cifar投资的少量资金,建立了神经计算和自适应感知项目。这个项目集结了不少的计算机科学家，生物学家，电气工程师，神经科学家，心理学家，加速推动了ＤＬ的进程。从这个阵容来看，DL已经和ML系的数据挖掘分的很远了。
DL强调的是自适应感知和人工智能，是计算机与神经科学的交叉。DM强调的是告诉，大数据，统计数学分析，是计算机与数学的交叉。
（2）cifar-10数据集简介
1 === Cifar-10由60000张32*32的RGB(三通道)彩色图构成，共10个分类
2 === 其中50000张为训练样本(训练集)，10000为测试样本（测试集）
3 === 注意
1) －－－ 这个数据集做大的特点在于将识别迁移到普适物体
2) －－－ 可以将10分类问题扩展至100类物体的分类，甚至1000类和更多类的物体分类
3) －－－ 该示例 中的数据集存放在一个10000*3072数组中-－－－10000张图片×每张图片的像素数组
4) －－－ 3072存储了一个32*32的彩色图片(3*32*32=3*1024=3072)
5) －－－ numply的前1024位是RGB图像中的R分量像素值，中间的1024位是G分量的像素值，最后的1024是B分量的像素值
6) －－－ Cifar10这个例子只能用于[小图片]的分类，类似于前面所讲的Mnist示例，主要用于【手写数字的识别一样】
（3）cifar10所使用的卷积神经CNN的网络模型
1 === DL的的两大核心：数据+模型，数据集在上面已经详细给出，下面是Caffe10中所使用的网络(net)模型
2 === 该模型在caffe安装目录下，文件名为：cifar10_quick_train_test.prototxt。具体路径为/home/wei/caffe/examples/cifar10/cifar10_quick_train_test.prototxt
3 === 该CNN-NET主要由：卷基层，POOLing层，非线性变换层（有的在pool之后，有的在conv之后，who knows），局部对比归一化线性分类器等组成
数据准备
（1）下载数据集，执行下面的命令：
sudo sh ./data/cifar10/get_cifra10.sh
（2）lmdb
将刚下载进来的【二进制数据文件】转换成【caffe所识别的LMDB格式的数据库形式】，并且计算数据集的均值文件，数据格式的转化和计算均值所要使用的所有shell命令都被写在了一个shell脚本中，所以我们只需要运行这个shell脚本就可以了，这个shell脚本在/home/wei/caffe/examples/cifar10目录下，名称为create_cifar10.sh。执行之后，会在/home/wei/caffe/examples/cifar10目录下生成三个文件--------如下图所示：
训练模型
在这个阶段，要准备三个文件,当然caffe已经为我们准备好了
1 === 网络模型配置文件：cifar10_quick_train_test.prototxt ---所在目录---/home/wei/caffe/examples/cifar10
2 === 超参数配置文件solver：cifar10_quick_solver.prototxt ---所在目录---/home/wei/caffe/examples/cifar10/
3 === 训练脚本文件：train_quick.sh ----所在目录---/home/wei/caffe/examples/cifar10
4 === 编写训练模型的shell脚本文件train_quick.sh ，但是由于我使用的CPU没有ＧＰＵ,所以在编写该文件之前，还应该修改cifar10_quick_solver.prototxt文件。准备好数据+模型＋solver文件之后，执行下面的命令：sudo ./examples/cifar10/train_quick.sh（注意：这里使用了多个学习率的技巧）
训练过程如下图所示：
其中，每迭代100次，显示一次训练时的lr（学习率）和loss（训练损失）。注：训练完成之后，训练好的模型参数存储在protobuf格式的文件中,cifar-10训练好的模型存储在/home/wei/caffe/examples/cifar10/文件夹下
批量测试
./build/tools/caffe test --model=examples/mnist/lenet_train_test.prototxt
--weights=examples/mnist/lenet_iter_10000.caffemodel --gpu=0
单张分类
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
之前我们在跑mnist的时候，创建了一个classifymnist.py，而这里全部是给参数赋值的形式，那些参数在classify.py里面都有，有的参数给了，但是不给值的话是默认文件中的值，给了会重新赋值，有的不存在是否有值，只是给没给象征着什么，比如center_only
cifar10_quick.prototxt就是该网络的deploy.prototxt。
python python/classify.py --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 --mean_file=examples/cifar10/mean.binaryproto --center_only examples/images/cat.jpg foo
center_only: 应该是说从中间crop相应大小的吧
报错："Failed to interpret file %s as a pickle" % repr(file))
IOError: Failed to interpret file 'examples/cifar10/mean.binaryproto' as a pickle
解决：需要把mean.binaryproto转mean.npy
使用Caffe的C++接口进行操作时，需要的图像均值文件是pb格式，例如常见的均值文件名为mean.binaryproto；但在使用python 接口进行操作时，需要的图像均值文件是numpy格式，例如mean.npy。所以在跨语言进行操作时，需要将mean.binaryproto转换成 mean.npy，转换代码如下：
#coding:utf-8
import caffe
import numpy as np
MEAN_PROTO_PATH = 'examples/cifar10/mean.binaryproto' # 待转换的pb格式图像均值文件路径MEAN_NPY_PATH = 'examples/cifar10/mean.npy' # 转换后的numpy格式图像均值文件路径
blob = caffe.proto.caffe_pb2.BlobProto() # 创建protobuf blob
data = open(MEAN_PROTO_PATH, 'rb' ).read() # 读入mean.binaryproto文件内容blob.ParseFromString(data) # 解析文件内容到blob
array = np.array(caffe.io.blobproto_to_array(blob))# 将blob中的均值转换成numpy格式，array的shape （mean_number，channel, hight, width）
mean_npy = array[0] # 一个array中可以有多组均值存在，故需要通过下标选择其中一组均值
np.save(MEAN_NPY_PATH ,mean_npy)
运行：
python python/classify.py --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 --mean_file=examples/cifar10/mean.npy --center_only examples/images/cat.jpg foo
最后生成一个foo.npy的结果文件，里面存储的是长度为10的数组，记录所属各个类别的概率