ImageNet教程：在ImageNet data上训练和测试“CaffeNet”
最近由于学习需要，顺手翻译了一篇 readme.md。
（小白还不太用的惯markdown^）
由于新手上路，有不足之处或是不对的地方，还希望大家一起交流指正，共同学习。
在这里笔芯啦！
*译者：Yougrianes *
==============
ImageNet Tutorial
描述：在ImageNet上训练和测试ImageNet数据
目录：示例
include_in_docs：true（译者并不知道这是什么意思）
priority：1
酿造一个ImageNet
这个教程能够让你准备好用自己的数据，训练出一个属于你自己的模型。
如果你只是想要一个经过ImageNet训练好的网络（Network），那么请注意到，由于训练需要许多能量，而且我们对全球变暖深恶痛绝（译者表示非常赞同），我们提供经过训练的CaffeNet model，在以下的网址链接中描述：model zoo.
数据准备
这个教程指定（specifies）了所有的路径，并且假设所有的指令在caffe的根目录之下被执行（all commands are executed from the root caffe directory）。
通过ImageNet，我们在这里意味着ILSVRC12（Large Scale Visual Recognition Challenge）挑战，但是你也可以在整个ImageNet上很容易的训练，只需要更大的硬盘存储空间，和更长一点的训练时间。*
我们假设你已经下载了ImageNet训练数据和验证数据（validation data），并且以如下的形式存储在你的电脑之中：
/path/to/imagenet/train/n01440764_10026.JPEG
/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG
你会首先需要准备一些用以训练的辅助数据（auxiliary data）。这些数据可以在这里被下载：
./data/ilsvrc12/get_ilsvrc_aux.sh
训练和验证的输入在‘train.txt’和‘val.txt’中被描述，其文本中列出了所有文件以及他们的标签。请注意我们为标签使用了一个与ILSVRC devkit（开发包）所不同的索引（indexing）：我们按照ASCII顺序分类了同义词集（fort the synset names in their ASCII order,）然后对他们从0到999附以标签。参见‘synset_words.txt’ ，用来进行synset-name标定与映射（synset/name mapping）。
你可能想在这之前，将图片尺寸调整为256*256。通过默认设定，我们不会明确的着这件事——因为在一个集群环境之中，通过使用“地图映射和减少归约”（mapreduce），（one may banifit from resizing images in a parallel fashion, using mapreduce.）。例如，Yangqing用他的轻量级[mincepie]（http://github.com/Yangqing/mincepie） 包。如果你喜欢让事情变得更加简单，你也可以使用shell命令，例如这个样子：
for name in /path/to/imagenet/val/*.JPEG; to
convert -resize 256*256\! $name $name
done
请查看“examples/imagenet/create_imagenet.sh” 。请根据需要设置训练集和测试集的路径，然后如果你还没有重新调整图像尺寸的话，设置“RESIZE=true”，从而调整所有的图片为256*256。
现在只要简单的创建一个leveldbs：‘examples/imagenet/create_imagenet.sh’。需要注意：‘examples/imagenet/ilsvrc12_train_leveldb’和‘examples/imagenet/ilsvrc12_val_leveldb’在这次执行前，应当是不存在的。它会被脚本所创建。‘GLOG_logtostderr=1’
（未完待续，因为我发现在Caffe的官网上面已经有了这个了……搞得我好辛苦T_T）
http://caffe.berkeleyvision.org/gathered/examples/imagenet.html