Run the examples in Caffe

运行Caffe中的mnist&cifar10

---

Mnist实践：

利用Python将网络绘制出来的方法：网络绘制 在最后面部分哦~

另外文中只说到如何训练网络模型lenet_train_test网络，但并未说到如何利用测试集进行测试， 在这儿附上从另一个师姐那儿请教来的方法～～

如果懒得另外写一个文件打话，可以直接修改train_lenet.sh文件，如下图

test

即在caffe命令中传入网络模型以及训练好的参数模型

然后再在命令行输入sudo time sh examples/mnist/train_lenet.sh即可。

另外，对自己的手写图片进行预测时，需要自己写一个Python的脚本文件，以此运行自己的

---

对于Caffe训练框架流程及其网络结构的理解可参见www.doc88.com/p-7002826867999.html

pipeline

即通过caffe下的命令行设置是进行训练亦或是测试，运行相应的.sh文件（如：train_lenet.sh），若是在训练阶段，则需选择solver参数，并给出网络结构的地址；若是测试阶段，则需选择model并给出网络结构，另外还需选择weights及训练后的caffemodel地址。如上图test所示。caffe根据solver配置文件的信息对选择的网络进行训练，并可将训练后的结构进行保存。

图片，可参考：预测图片，但是我目前还没能成功预测完成：（

另外，参照着另外一篇博文：blog.csdn.net/deeplearninglc007/article/details/41283985实验了一下，但最后还是没能跑出想要的结果，具体问题在于数据输入的格式，但目前不太清楚如何进行更改：（

对于自己的手写图片的识别，需要注意的是输入图片应为黑底白字，并减去均值，在这儿需要说明如何利用caffe build/tools中已经编译好的compute_image_mean来计算训练集数据打均值，具体可参见博文：www.cnblogs.com/denny402/p/5102328.html，其中说到了如何进行计算以及如何转换成python所需的.npy文件。

---

cifar10实践：

step1：获取cifar10的数据集

step2：根据train_quick.sh的命令根据cifar10_quick_solver.prototxt配置文件对模型cifar10_quick_train_test.prototxt进行训练。需要注意的是，该训练采用迭代训练4000次后改变学习率的方法。

step3：利用训练完成的模型cifar10_quick_iter_5000.caffemodel.h5对图片进行预测。在预测时，遇到了一个问题，提示“Mean shape incompatible with input shape”此时需要对python中的相关文件进行修改，可参见blog.csdn.net/langb2014/article/details/52265825 

具体在操作打过程中，我参考了一篇博文www.cnblogs.com/alexcai/p/5468164.html