caffe安装以及LeNet初体验

一、caffe的编译

1.（只有only CPU需要这一步）首先修改配置文件，回到caffe目录

cd ~/caffe
cp Makefile.config.example Makefile.config
gedit Makefile.config
这里仅需修改两处：

i）

# USE_CUDNN := 1 

这里去掉#，取消注释，改为USE_CUDNN := 1 。

ii) 修改python包目

PYTHON_INCLUDE := /usr/include/python2.7 \
　　/usr/lib/python2.7/dist-packages/numpy/core/include
改为

PYTHON_INCLUDE := /usr/include/python2.7 \
　　/usr/local/lib/python2.7/dist-packages/numpy/core/include
因为安装的python包目录在这里： /usr/local/lib/python2.7/dist-packages/

iii）直接make
make all -j8
make test
make runtest
make pycaffe

iv）最后

>>>python
>>>import caffe

没报错，那就说明安装好了。

注意：
新版caffe都需要从根目录上执行，不然可能会遇到错误。例如

cd $CAFFE_ROOT
./examples/mnist/train_lenet.sh

二、LeNet体验

网络模型的描述文件

它的神经网络模型的描述文件就是/home/wei/caffe/examples/mnist/文件夹下面的:lenet_train_test.prototxt

• Caffe默认的训练是在GPU上的，但是如果想改为CPU上，只需要在lenet_solver.prototxt中修改一行：

# solver mode: CPU or GPUsolver_mode: CPU

• 很多caffe的prototxt里都是颜色值乘与0.00390625(1/256),使它们在[0,1]范围内.
  transform_param {
  scale: 0.00390625
  }

• lr_mults是层的可学习参数的学习率调整。在这种情况下，我们将权重学习率设置为与运行时求解器给出的学习速度相同，偏置学习速率是两倍，这通常会导致更好的收敛速度.
  param { lr_mult: 1 }
  param { lr_mult: 2 }

• 只在train中使用，即
  layer {
  // …layer definition…
  include: { phase: TRAIN }
  }

• 最后，说一下 Caffe 为什么采用 LMDB、LEVELDB，而不是直接读取原始数据？
  原因是，一方面，数据类型多种多样，有二进制文件、文本文件、编码后的图像文件（如 JPEG、PNG、网络爬取的数据等），不可能用一套代码实现所有类型的输入数据读取，转换为统一格式可以简化数据读取层的实现；另一方面，使用 LMDB、LEVELDB 可以提高磁盘 IO 利用率。

• 转换格式
  下载到的原始数据为二进制文件，需要转换为 LEVELDB 或 LMDB 才能被 Caffe 识别。
  我们 Git 得到的 Caffe 中，在 examples/mnist/ 下有一个脚本文件：create_mnist.sh ，这个就可以将原始的二进制数据，生成 LMDB 格式数据。

• .solverstate是snapshot保存的权重等的文件