安装完Caffe后，如何开始学习Caffe呢？一个不错的方法就是从Caffe自带的examples开始学起。在caffe安装的根目录下可以找到examples这个文件夹，这个文件里就包括了一些实例。本篇笔记就是使用CIFAR-10进行训练学习。
一、预备知识
1.深度学习中经常看到epoch、 iteration和batchsize，下面按自己的理解说说这三个的区别：
(1)batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；
(2)iteration：1个iteration等于使用batchsize个样本训练一次；
(3)epoch：1个epoch等于使用训练集中的全部样本训练一次；
举个例子，训练集有1000个样本，batchsize=10，那么：
训练完整个样本集需要：
100次iteration，1次epoch。
2.Cifar-10数据集
Cifar-10是由Hinton的两个大弟子Alex Krizhevsky、Ilya Sutskever收集的一个用于普适物体识别的数据集。Cifar是加拿大政府牵头投资的一个先进科学项目研究所。
说白了，就是看你穷的没钱搞研究，就施舍给你。Hinton、Bengio和他的学生在2004年拿到了Cifar投资的少量资金，建立了神经计算和自适应感知项目。
Cifar-10由60000张32*32的RGB彩色图片构成，共10个分类。50000张训练，10000张测试（交叉验证）。这个数据集最大的特点在于将识别迁移到了普适物体，而且应用于多分类（姊妹数据集Cifar-100达到100类，ILSVRC比赛则是1000类）。
二、训练流程概述
1.获取cifa10数据库。
2.图片格式转换：在深度学习的实际应用中，我们经常用到的原始数据是图片文件，如jpg,jpeg,png,tif等格式的，而且有可能图片的大小还不一致。而在caffe中经常使用的数据类型是lmdb或leveldb，因此用Caffe进行训练，就需要这些原始图像需要进行格式转换。
3.计算图片数据的均值：图片减去均值后，再进行训练和测试，会提高速度和精度。因此，一般在各种模型中都会有这个操作。
4.prototxt配置文件，也就是我们使用的训练模型的设计。
5.训练模型。
三、动手实践
1.获取Cifar-10数据集
(1)进入自己的caffe根目录(CAFFE_ROOT)，使用如下指令
cd $CAFFE_ROOT(2)运行作者为我们准备的脚本文件，使用如下指令：
./data/cifar10/get_cifar10.sh
3)get_cifar10.sh脚本分析
从下面的shell脚本文件中可以看出：首先使用wget指令获取cifar-10-binary的下载，这个就是我们用到的原始Cifar-10数据集。解压tar.gz文件后再删除tar.gz。随后使用mv指令，将解压得到的cifar-10-batches-bin文件夹里的东西全部拷贝出来，保存到当前目录。最后删除cifar-10-batches-bin这个已经空了的文件夹。
#!/usr/bin/env sh # This scripts downloads the CIFAR10 (binary version) data and unzips it.DIR="$( cd "$(dirname "$0")" ; pwd -P )" cd "$DIR"echo "Downloading..."wget --no-check-certificate http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gzecho "Unzipping..."tar -xf cifar-10-binary.tar.gz && rm -f cifar-10-binary.tar.gz mv cifar-10-batches-bin/* . && rm -rf cifar-10-batches-bin# Creation is split out because leveldb sometimes causes segfault # and needs to be re-created.echo "Done."(5)分析解压出来的四类文件：
- 训练集原始图片：
data_batch_1.bin data_batch_2.bin data_batch_3.bin data_batch_4.bin data_batch_5.bin- 在介绍Cifar-10数据集的时候已经说过，这五个文件就是那50000个训练集，每一个bin文件存放了1万张32*32的RGB彩色图片。
- 测试集原始图片：
test_batch.bin- 同样的，这个bin文件就是存放了1万张32*32的RGB彩色图片，这些图片是用来测试的。
- 类别说明文件：
batches.meta.txt- 可以通过cat batches.meta.txt查看这个文件的内容，发现这个文件是存储这些图片总共的类别的：airplane,automobile,bird,cat,deer,dog,frog,horse,ship,truck。同样，这些类别与上边介绍的Cifar-10数据集包含的类别对应。
- readme文件：
readme.html- 这个文件给了一个连接，是对于Cifar-10数据集的一些说明，以及一些使用方法。
至此，Cifar-10数据集获取完成。
2.图片格式转换和计算图片数据的均值
(1)进入自己的caffe根目录(CAFFE_ROOT)，使用如下指令：
cd $CAFFE_ROOT- (2)运行作者为我们准备的脚本文件，使用如下指令：
./examples/cifar10/create_cifar10.sh- (3)create_cifar10.sh脚本分析
从下面的shell脚本文件中可以看出：首先删除了./examples/cifar10/cifar10_train_lmdb文件和./examples/cifar10/cifar10_test_lmdb文件，这样做的目的是为了再次生成lmdb文件做准备，将上一次生成的文件删除，重新生成lmdb文件。随后，使用./build/examples/cifar10/convert_cifar_data.bin工具将/data/cifar10中的原始图片转换成lmdb文件并将其保存到/examples/cifar10文件中，最后使用./build/tools/compute_image_mean工具根据/examples/cifar10/cifar10_train_lmdb(刚刚生成的)文件计算出这些训练集图片数据的均值，并将其保存到/examples/cifar10/mean.binaryproto文件中。
#!/usr/bin/env sh
# This script converts the cifar data into leveldb format.
set -eEXAMPLE=examples/cifar10
DATA=data/cifar10
DBTYPE=lmdbecho "Creating $DBTYPE..."rm -rf $EXAMPLE/cifar10_train_$DBTYPE $EXAMPLE/cifar10_test_$DBTYPE./build/examples/cifar10/convert_cifar_data.bin $DATA $EXAMPLE $DBTYPEecho "Computing image mean..."./build/tools/compute_image_mean -backend=$DBTYPE \$EXAMPLE/cifar10_train_$DBTYPE $EXAMPLE/mean.binaryprotoecho "Done."
- 至此，一共生成了三个文件：cifar10_test_lmdb，cifar10_train_lmdb，mean.binaryproto。
cifar10_train_lmdb：用于Caffe训练的lmdb文件
cifar10_test_lmdb：用于Caffe测试的lmdb文件
mean.binaryproto：根据cifar10_train_lmdb计算出的图片数据均值
3.prototxt配置文件编写。
Caffe框架就是根据设置的prototxt文件，选择相应的模型进行训练的。此例程根据examples/cifar10/cifar10_quick_solver.prototxt这个配置文件建立模型。名为cifar10_quick_solver的CNN模型由卷基层(convolution)、池化层(pooling)、非线性ReLU层(rectified linear unit (ReLU) nonlinearities)和在顶端的局部对比归一化线性分类器组成(local contrast normalization with a linear classifier on top of it all)。
由于作者已经给出了这个文件，因此我们不需要进行编写了，当然如果想要创建自己的模型训练数据，学习prototxt配置文件的编写就显得尤为重要了。prototxt配置文件的编写方法会在随后的笔记中进行讲解，现在可以看下这个配置文件的内容，眼熟一下，使用cat指令即可查看，具体内容如下：
name: "CIFAR10_quick"
layer {name: "cifar"type: "Data"top: "data"top: "label"include {phase: TRAIN}transform_param {mean_file: "examples/cifar10/mean.binaryproto"}data_param {source: "examples/cifar10/cifar10_train_lmdb"batch_size: 100backend: LMDB}
}
layer {name: "cifar"type: "Data"top: "data"top: "label"include {phase: TEST}transform_param {mean_file: "examples/cifar10/mean.binaryproto"}data_param {source: "examples/cifar10/cifar10_test_lmdb"batch_size: 100backend: LMDB}
}
layer {name: "conv1"type: "Convolution"bottom: "data"top: "conv1"param {lr_mult: 1}param {lr_mult: 2}convolution_param {num_output: 32pad: 2kernel_size: 5stride: 1weight_filler {type: "gaussian"std: 0.0001}bias_filler {type: "constant"}}
}
layer {name: "pool1"type: "Pooling"bottom: "conv1"top: "pool1"pooling_param {pool: MAXkernel_size: 3stride: 2}
}
layer {name: "relu1"type: "ReLU"bottom: "pool1"top: "pool1" }
layer {name: "conv2"type: "Convolution"bottom: "pool1"top: "conv2"param {lr_mult: 1}param {lr_mult: 2}convolution_param {num_output: 32pad: 2kernel_size: 5stride: 1weight_filler {type: "gaussian"std: 0.01}bias_filler {type: "constant"}}
}
layer {name: "relu2"type: "ReLU"bottom: "conv2"top: "conv2" }
layer {name: "pool2"type: "Pooling"bottom: "conv2"top: "pool2"pooling_param {pool: AVEkernel_size: 3stride: 2}
}
layer {name: "conv3"type: "Convolution"bottom: "pool2"top: "conv3"param {lr_mult: 1}param {lr_mult: 2}convolution_param {num_output: 64pad: 2kernel_size: 5stride: 1weight_filler {type: "gaussian"std: 0.01}bias_filler {type: "constant"}}
}
layer {name: "relu3"type: "ReLU"bottom: "conv3"top: "conv3" }
layer {name: "pool3"type: "Pooling"bottom: "conv3"top: "pool3"pooling_param {pool: AVEkernel_size: 3stride: 2}
}
layer {name: "ip1"type: "InnerProduct"bottom: "pool3"top: "ip1"param {lr_mult: 1}param {lr_mult: 2}inner_product_param {num_output: 64weight_filler {type: "gaussian"std: 0.1}bias_filler {type: "constant"}}
}
layer {name: "ip2"type: "InnerProduct"bottom: "ip1"top: "ip2"param {lr_mult: 1}param {lr_mult: 2}inner_product_param {num_output: 10weight_filler {type: "gaussian"std: 0.1}bias_filler {type: "constant"}}
}
layer {name: "accuracy"type: "Accuracy"bottom: "ip2"bottom: "label"top: "accuracy"include {phase: TEST}
}
layer {name: "loss"type: "SoftmaxWithLoss"bottom: "ip2"bottom: "label"top: "loss" }
4.训练模型
(1)进入自己的caffe根目录(CAFFE_ROOT)，使用如下指令：
cd $CAFFE_ROOT- (2)运行作者为我们准备的脚本文件，使用如下指令：
./examples/cifar10/train_quick.sh- (3)train_quick.sh脚本分析
从下面的shell脚本文件中可以看出：使用caffe train指令根据cifar10_quick_solver.prototxt配置文件训练模型，随后在进行8次epochs之后学习率因子降低十分之一。
#!/usr/bin/env sh
set -eTOOLS=./build/tools$TOOLS/caffe train \--solver=examples/cifar10/cifar10_quick_solver.prototxt $@# reduce learning rate by factor of 10 after 8 epochs
$TOOLS/caffe train \--solver=examples/cifar10/cifar10_quick_solver_lr1.prototxt \--snapshot=examples/cifar10/cifar10_quick_iter_4000.solverstate.h5 $@
(4)其他
运行的时候会出现类似以下的信息：
I0317 21:52:48.945710 2008298256 net.cpp:74] Creating Layer conv1
I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <- data
I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 -> conv1
I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape: 100 32 32 32 (3276800)
I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needs backward computation.- 这是在搭建模型的相关信息：
接着：
I0317 21:52:49.309370 2008298256 net.cpp:166] Network initialization done.
I0317 21:52:49.309376 2008298256 net.cpp:167] Memory required for Data 23790808
I0317 21:52:49.309422 2008298256 solver.cpp:36] Solver scaffolding done.
I0317 21:52:49.309447 2008298256 solver.cpp:47] Solving CIFAR10_quick_train之后，训练开始
I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration 100, lr = 0.001
I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration 100, loss = 1.73
...
I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration 500, Testing net
I0317 21:54:47.129461 2008298256 solver.cpp:114] Test score #0: 0.5504
I0317 21:54:47.129500 2008298256 solver.cpp:114] Test score #1: 1.27805 其中每 100 次迭代次数显示一次训练时 lr(learning rate),和 loss（训练损失函数），每 500 次
测试一次，输出 score 0（准确率）和 score 1（测试损失函数）。
当 5000 次迭代之后，正确率约为 75%，模型的参数存储在二进制 protobuf 格式的cifar10_quick_iter_5000文件中。然后，这个模型就可以用来运行在新数据上了。我训练的结果如下图所示，可以看到准确率为76.25%。
对比CPU和GPU硬件加速，只需要简单地更改所有’cifar*solver.prototxt’(*是通配符)文件中的第一行solver_mode即可，solver_mode: CPU就是用CPU进行训练，solver_mode:GPU就是用GPU进行训练。
训练生成的文件：
cifar10_quick_iter_5000.caffemodel.h5：迭代5000次训练出来的模型，后面就用这个模型来做分类
cifar10_quick_iter_5000.solverstate.h5：也是迭代5000次训练出来的模型，应该是用来中断后继续训练用的文件。
对于如何使用自己训练好的cifar10_quick_iter_5000.caffemodel.h5模型进行图片预测，会在随后的笔记中进行讲解。
一个行走的大白菜
reference:
[1]http://blog.csdn.net/c406495762