ubuntu下caffe训练自己的数据
0 caffe编译
make all -j16 && make test -j16 && make runtest -j16 && make pycaffe -j161 环境
系统：ubuntu 16.04
环境：caffe已编译安装
数据：图片已备好
2 图片分类及txt文件
先把图片分成两个文件夹，train和val（训练集与验证集），然后对他们生成文件名列表。分享一个python代码如下：
import os,sys
import argparse
def create_image_list(file_path,txtpath,cls):
if os.path.isfile(txtpath):
os.remove(txtpath)
image_name_list = os.listdir(file_path)
with open(txtpath,'a') as f:
print('saving to'+txtpath+'...')
for image_name in image_name_list:
image_data = image_name+' '+str(cls)
f.write(image_data+'\n')
print('done')
if __name__=='__main__':
ap = argparse.ArgumentParser()
ap.add_argument("-c","--cls",required=True,help="input class")
ap.add_argument("-d","--data",required=True,help="input pic dir")
args = vars(ap.parse_args())
create_image_list(os.path.dirname(os.path.realpath(__file__))+'/'+args['data'],'list'+'_'+args["cls"]+'.txt',args["cls"])使用方法：
python create_image_list.py -c className -d input_image_dirName
# 例： python create_image_list.py -c 0 -d blue3 形成LMDB数据集
caffe在/examples/imagenet/中提供了create_imagenet.sh作为生成LMDB的例子，我们可以对其进行更改来适用我们的训练。
EXAMPLE=examples/head/train # 稍后使用
DATA=examples/head # 图片目录
TOOLS=build/tools # 工具目录固定不变
TRAIN_DATA_ROOT=examples/head/train/train_image/ # 训练集目录
VAL_DATA_ROOT=examples/head/val/val_image/ # 测试集目录
# RESIZE 部分
如果图片大小不统一可以把RESIZE改成true。
# Create train lmdb...
创建lmdb文件
根据自己开头设置的定义进行微调
后三个含义：
训练数据根目录 \
图片list.txt文件目录 \
要保存的lmdb文件目录
# val lmdb 同理命令行使用该.sh，很快即完成。
可能出现没有权限写入错误，需要提高文件夹权限
sudo chmod 777 -R ./PATH看一下lmdb大小，我的是两千张图片的训练集，train的data.mdb大小约400M，一般应该只增不少。
h5py格式数据
Lmdb是一张图片一个标签，但是如果是人脸识别这样的，一张图片要输入4个，那么则需要使用h5py格式数据。
caffe使用h5py数据格式的话，需要自己在外部，进行数据扩充，数据归一化等相关的数据预处理操作，caffe比较麻烦。
暂不做深究，可参考博客：深度学习（十三）caffe之训练数据格式（http://www.voidcn.com/blog/garfielder007/article/p-5005545.html）
其他
还有LEVELDB格式，根据自己需要。
4 生成均值文件
caffe仍然为我们准备了例子，examples/imagenet/make_imagenet_mean.sh可以生成均值文件，我们只需要根据自己情况进行更改。
# 命令只有一句，调用compute_image_mean
该可执行文件在编译过程已经生成 命令解析如下
compute_image_mean路径（不用变） train_lmdb路径（看上一步生成在哪里） image_mean.binaryproto存放路径（根据自己需要）5 训练
训练命令
caffe同样为我们提供例子，/examples/imagenet/train_caffenet.sh。
./build/tools/caffe train -solver models/bvlc_googlenet/solver.prototxt \
-weights models/bvlc_googlenet/bvlc_googlenet.caffemodel -gpu 1-solver：solver地址（根据自己用的模型选择）
-weights：预训练模型（如果使用finetuning，下载好模型，即可添加本参数）
-gpu：如果有多块GPU可进行选择
solver文件
solver提供超参数设置。
net:train_val.prototxt目录
...
base_lr:学习率
...
max_iter:迭代次数
snapshot：每多少次保存一次模型文件
snapshot_prefix：模型文件保存目录
solver_mode:GPU/CPU调整train_val.prototxt文件
这个文件是训练过程的重点，表述了网络的架构和设置，如果训练过程出错极有可能是该文件设置有问题。
更改内容如下：
13行：mean_value3行注释掉，换成mean_file
mean_file="examples/head/train/imagenet_mean.binaryproto"
18行：source:train_lmdb目录
35行：mean_file同上
39行：source:val_lmdb目录
...
919行：loss1/classifier层中，num_output：1000->4(自己的类别数)
957行：top_k:4（不能大于你的类别数）
...
1682行：loss2/classifier层中，num_output：1000->4(自己的类别数)
1720行：top_k:4（不能大于你的类别数）
...
2396行：loss3/classifier层中，num_output：1000->4(自己的类别数)
2433行：top_k:4（不能大于你的类别数）此时开始执行训练命令，会出现shape mismatch错误：
Cannot copy param 0 weights from layer 'loss1/classifier';shape mismatch.Source param shape is 1 1 1000 1024;targe param shape is 4 1024....这是因为原本的模型是设置的1000类，而我们为了实现自己的分类改成了4类，所以需要把loss层重命名。这是因为类别数不同，所以最后不再从预训练模型中读取参数，而是采用自己初始化的参数，故而采用重命名的方法。
再googleNet模型中，需要改三个名字，共计15个地方，在train_val.prototxt中搜索classifier，出现15次，即我们需要改的地方。改成你想要的名字，不过要保持统一。
现在可以执行命令，开始训练。
训练命令：
./build/tools/caffe train -solver examples/head4_start_end/models/bvlc_googlenet/solver.prototxt -weights examples/head4_start_end/models/bvlc_googlenet/bvlc_googlenet.caffemodel -gpu 1caffe编译后产生可执行文件，执行train命令，-solver指示solver文件路径，-weights指示预训练模型路径，-gpu选择gpu。生成的模型保存路径在solver中设置
prototxt文件各参数含义：https://blog.csdn.net/sun7_she/article/details/52034691