深度学习Caffe平台实例——CIFAR-10数据集在caffe平台上模型训练及实例使用模型进行预测

一、CIFAR-10数据模型训练

1.下载二进制的cifar文件

 

cd $CAFFE_ROOT

./data/cifar10/get_cifar10.sh  

 

说明：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，如下图所示：

2.生成数据集库和数据集图像均值文件

cd $CAFFE_ROOT

./examples/cifar10/create_cifar10.sh  

 

说明：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，如下图所示：

3.选择CPU或GPU训练方式

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。

4.以“quick”模型进行训练，生成模型

 

cd $CAFFE_ROOT

  ./examples/cifar10/train_quick.sh  

 

说明：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。训练后生成模型文件：

cifar10_quick_iter_4000.caffemodel.h5、ifar10_quick_iter_4000.solverstate.h5，

结果如下图所示，生成

二、在终端使用python接口应用模型预测

方法：caffe开发团队实际上也编写了一个python版本的分类文件，路径为python/classify.py，也即是：使用python/classify.py代码进行图像文件预测。但是，该文件有两个问题：第一、均值计算错误。第二、预测结果保存至文件中看不到。因此，先解决这两个问题：

1.修改均值计算错误

 

在classify.py文件找到

mean = np.load(args.mean_file)  

 

在下面加上一行：

mean=mean.mean(1).mean(1)  

如图：

2.添加在终端命令行中显示结果代码，代码太长，如下图所示：

3.根据上述代码，修改分类标签文件内容，如下图所示：

标签文件主目录下caffe/data/clfar10下，名字为：batches.meta.txt

4.找到测试图片

测试图片为主目录/caffe/examples/images下cat.jpg文件,如下图所示：

5.使用classify.py对caffe自带的测试图片cat.jpg进行分类预测。

python python/classify.py --print_results --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 --labels_file data/cifar10/batches.meta.txt --center_only  examples/images/cat.jpg foo

 

执行命令如下图所示：

执行结果如下图所示：

命令行参数说明：--print_results        输入出结果

                --model_def         模型定义文件

                --pretrained_model   训练后的文件

                --labels_file          标签文件

                Foo                测试结果存放文件

三、小结

本文档是对CIFAR-10数据集在caffe平台下进行训练生成模型，以及根据数据模型对图像数据进行分类预测的完整文档。目前，互联网上这样的完整文档较少，其中，结果分类文件和标签文件花费了本人将近一天的时间。因此，制作该详细文档，以利于后来的小伙伴们。

四、参考资料

http://www.cnblogs.com/alexcai/p/5468164.html

http://blog.csdn.net/dcxhun3/article/details/52021296