學(xué)習(xí)caffe的目的餐蔬，最終還是要用到自己的實際項目或科研中碎紊。因此，本文介紹一下樊诺，從自己的原始圖片到lmdb數(shù)據(jù)仗考，再到訓(xùn)練和測試模型的整個流程。
1词爬、準(zhǔn)備數(shù)據(jù)
有條件的同學(xué)秃嗜，可以去imagenet官網(wǎng)，下載imagenet圖片來訓(xùn)練顿膨。不過在baidu網(wǎng)盤這兒也可以下載我的數(shù)據(jù)锅锨，共有500張圖片，分為大巴車恋沃、恐龍必搞、大象、鮮花和馬五個類囊咏，每個類100張恕洲。
編號分別以3，4梅割，5霜第，6，7開頭炮捧，各為一類庶诡。我從其中每類選出20張作為測試，其余80張作為訓(xùn)練咆课。因此最終訓(xùn)練圖片400張末誓，測試圖片100張，共5類书蚪。我將圖片放在caffe根目錄下的data文件夾下面喇澡。即訓(xùn)練圖片目錄：data/re/train/ ,測試圖片目錄: data/re/test/
2、轉(zhuǎn)換為lmdb格式
具體的轉(zhuǎn)換過程殊校，可參考：圖像數(shù)據(jù)轉(zhuǎn)換成db(leveldb/lmdb)文件
首先晴玖，在examples下面創(chuàng)建一個myfile的文件夾，來用存放配置文件和腳本文件。然后編寫一個腳本create_filelist.sh呕屎，用來生成train.txt和test.txt清單文件
sudo mkdir examples/myfile
sudo gedit examples/myfile/create_filelist.sh
編輯此文件让簿，寫入如下代碼，并保存
#!/usr/bin/env sh
DATA=data/re/
MY=examples/myfile
echo "Create train.txt..."
rm -rf $MY/train.txt
for i in 3 4 5 6 7
do
find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt
done
echo "Create test.txt..."
rm -rf $MY/test.txt
for i in 3 4 5 6 7
do
find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"
然后秀睛，運行此腳本
sudo sh examples/myfile/create_filelist.sh
成功的話尔当，就會在examples/myfile/ 文件夾下生成train.txt和test.txt兩個文本文件，里面就是圖片的列表清單蹂安。
接著再編寫一個腳本文件椭迎，調(diào)用convert_imageset命令來轉(zhuǎn)換數(shù)據(jù)格式。
sudo gedit examples/myfile/create_lmdb.sh
插入：
#!/usr/bin/env sh
MY=examples/myfile
echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_height=256 \
--resize_width=256 \
/home/xxx/caffe/data/re/ \
$MY/train.txt \
$MY/img_train_lmdb
echo "Create test lmdb.."
rm -rf $MY/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/xxx/caffe/data/re/ \
$MY/test.txt \
$MY/img_test_lmdb
echo "All Done.."
因為圖片大小不一田盈，因此我統(tǒng)一轉(zhuǎn)換成256*256大小畜号。運行成功后，會在 examples/myfile下面生成兩個文件夾img_train_lmdb和img_test_lmdb允瞧，分別用于保存圖片轉(zhuǎn)換后的lmdb文件简软。
3、計算均值并保存
圖片減去均值再訓(xùn)練述暂，會提高訓(xùn)練速度和精度替饿。因此，一般都會有這個操作贸典。
caffe程序提供了一個計算均值的文件compute_image_mean.cpp，我們直接使用就可以了
sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto
compute_image_mean帶兩個參數(shù)踱卵，第一個參數(shù)是lmdb訓(xùn)練數(shù)據(jù)位置廊驼，第二個參數(shù)設(shè)定均值文件的名字及保存路徑。
運行成功后惋砂，會在 examples/myfile/ 下面生成一個mean.binaryproto的均值文件妒挎。
4、創(chuàng)建模型并編寫配置文件
模型就用程序自帶的caffenet模型西饵，位置在 models/bvlc_reference_caffenet/文件夾下, 將需要的兩個配置文件酝掩，復(fù)制到myfile文件夾內(nèi)
sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/
sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/
修改其中的solver.prototxt
sudo gedit examples/myfile/solver.prototxt
net: "examples/myfile/train_val.prototxt"
test_iter: 2
test_interval: 50
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 500
momentum: 0.9
weight_decay: 0.005
solver_mode: GPU
100個測試數(shù)據(jù)，batch_size為50眷柔，因此test_iter設(shè)置為2期虾，就能全cover了。在訓(xùn)練過程中驯嘱，調(diào)整學(xué)習(xí)率镶苞，逐步變小。
修改train_val.protxt鞠评，只需要修改兩個階段的data層就可以了茂蚓，其它可以不用管。
name: "CaffeNet"
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 227
mean_file: "examples/myfile/mean.binaryproto"
}
data_param {
source: "examples/myfile/img_train_lmdb"
batch_size: 256
backend: LMDB
}
}
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mirror: false
crop_size: 227
mean_file: "examples/myfile/mean.binaryproto"
}
data_param {
source: "examples/myfile/img_test_lmdb"
batch_size: 50
backend: LMDB
}
}
實際上就是修改兩個data layer的mean_file和source這兩個地方，其它都沒有變化 聋涨。
5晾浴、訓(xùn)練和測試
如果前面都沒有問題，數(shù)據(jù)準(zhǔn)備好了牍白，配置文件也配置好了脊凰，這一步就比較簡單了。
sudo build/tools/caffe train -solver examples/myfile/solver.prototxt
運行時間和最后的精確度淹朋，會根據(jù)機器配置笙各，參數(shù)設(shè)置的不同而不同。950MGPU+cudnn運行500次础芍。
accuracy = 0.92杈抢，loss = 0.169632.
