caffe学习（二） CIFAR-10数据集上训练

原文：http://blog.csdn.net/liumaolincycle/article/details/47258937 caffe示例实现之1在CIFAR-10数据集上训练与测试Caffe

下面假定caffe的根目录是CAFFE_ROOT，在终端输入命令下载数据集：

cd $CAFFE_ROOT 
./data/cifar10/get_cifar10.sh  #该脚本会下载二进制的cifar，并解压，会在/data/cifar10中出现很多batch文件
./examples/cifar10/create_cifar10.sh  #运行后将会在examples中出现数据集./cifar10_xxx_lmdb和数据集图像均值./mean.binaryproto

• 1
• 2
• 3

3.模型

CIFAR-10的卷积神经网络模型由卷积层，pooling层，ReLU，非线性变换层，局部对比归一化线性分类器组成。该模型定义在CAFFE_ROOT/examples/cifar10/cifar10_quick_train_test.prototxt中。

4.训练和测试“quick”模型

（注：如果电脑没有GPU，需要更改两个地方，即cifar10_quick_solver.prototxt和cifar10_quick_solver_lr1.prototxt。将其中最后一行的GPU改为CPU。（文件在caffe/examples/cifar10下））

写好网络定义和solver以后，开始训练模型。输入下面的命令：

cd $CAFFE_ROOT 
 ./examples/cifar10/train_quick.sh  #先以0.001的学习率迭代4000次，再以0.01的学习率接着再迭代1000次，共5000次

• 1
• 2

可以看到每一层的详细信息、连接关系及输出的形式，方便调试。 
 
初始化后开始训练： 
 
在solver的设置中，每100次迭代会输出一次训练损失，测试是500次迭代输出一次： 
 
训练阶段，lr是学习率，loss是训练函数。测试阶段，score 0是准确率，score 1是损失函数。最后的结果： 
 
测试准确率大约有0.75，模型参数存储在二进制protobuf格式的文件cifar10_quick_iter_5000中。 
参考CAFFE_ROOT/examples/cifar10/cifar10_quick.prototxt的模型定义，就可以训练其他数据了。

5.GPU使用

CIFAR-10比较小，可以用GPU训练，当然也可以用CPU训练。为了比较CPU和GPU的训练速度，通过修改cifar*solver.prototxt中的一行代码来实现。

# solver mode: CPU or GPU 
solver_mode: CPU

• 1
• 2

6.”full”模型

同理可以训练full模型，full模型比quick模型迭代次数多，一共迭代70000次，前60000次学习率是0.001，中间5000次学习率是0.0001，最后5000次学习率是0.00001。full模型的网络层数也比quick模型多。 
命令是：

cd $CAFFE_ROOT 
./examples/cifar10/train_full.sh

• 1
• 2

测试准确率也比quick模型高，大约有0.82。 

三.利用classification.bin识别单张图片    注：每一行的反斜杠之前都有一个空格

     回到根目录下（caffe目录下 cd caffe）执行：

     $ ./build/examples/cpp_classification/classification.bin \

     >examples/cifar10/cifar10_quick.prototxt \     （模型描述文件）

     >examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 \     (训练好的caffemodel模型权值文件）

     >examples/cifar10/mean.binaryproto \     (图像均值文件）

     >data/cifar/batches.meta.txt \     （图像类别标签信息）   注：此标签可能是11类，因为最后一行有一个空格，需要删掉，否则和模型描述文件不符。

     >examples/images/fish-bike.jpg    (此处可以是自己的图片）