【轉載】Caffe學習：運行caffe自帶的兩個簡單例子

原文：http://www.cnblogs.com/denny402/p/5075490.html

爲了程序的簡潔，在caffe中是不帶練習數據的，所以須要本身去下載。但在caffe根目錄下的data文件夾裏，做者已經爲咱們編寫好了下載數據的腳本文件，咱們只須要聯網，運行這些腳本文件就好了。

注意：在caffe中運行全部程序，都必須在根目錄下進行，不然會出錯

一、mnist實例

mnist是一個手寫數字庫，由DL大牛Yan LeCun進行維護。mnist最初用於支票上的手寫數字識別, 如今成了DL的入門練習庫。徵對mnist識別的專門模型是Lenet，算是最先的cnn模型了。

mnist數據訓練樣本爲60000張，測試樣本爲10000張，每一個樣本爲28*28大小的黑白圖片，手寫數字爲0-9，所以分爲10類。

首先下載mnist數據，假設當前路徑爲caffe根目錄

# sudo sh data/mnist/get_mnist.sh

運行成功後，在 data/mnist/目錄下有四個文件：

train-images-idx3-ubyte:  訓練集樣本 (9912422 bytes) 
train-labels-idx1-ubyte:  訓練集對應標註 (28881 bytes) 
t10k-images-idx3-ubyte:   測試集圖片 (1648877 bytes) 
t10k-labels-idx1-ubyte:   測試集對應標註 (4542 bytes)

這些數據不能在caffe中直接使用，須要轉換成LMDB數據

# sudo sh examples/mnist/create_mnist.sh

若是想運行leveldb數據，請運行 examples/siamese/ 文件夾下面的程序。 examples/mnist/ 文件夾是運行lmdb數據

轉換成功後，會在 examples/mnist/目錄下，生成兩個文件夾，分別是mnist_train_lmdb和mnist_test_lmdb，裏面存放的data.mdb和lock.mdb，就是咱們須要的運行數據。

接下來是修改配置文件，若是你有GPU且已經徹底安裝好，這一步能夠省略，若是沒有，則須要修改solver配置文件。

須要的配置文件有兩個，一個是lenet_solver.prototxt，另外一個是train_lenet.prototxt.

首先打開lenet_solver_prototxt

# sudo vi examples/mnist/lenet_solver.prototxt

根據須要，在max_iter處設置最大迭代次數，以及決定最後一行solver_mode,是否要改爲CPU

保存退出後，就能夠運行這個例子了

# sudo time sh examples/mnist/train_lenet.sh

CPU運行時候大約13分鐘，GPU運行時間大約4分鐘，GPU+cudnn運行時候大約40秒，精度都爲99%左右

二、cifar10實例

cifar10數據訓練樣本50000張，測試樣本10000張，每張爲32*32的彩色三通道圖片，共分爲10類。

下載數據：

# sudo sh data/cifar10/get_cifar10.sh

運行成功後，會在 data/cifar10/文件夾下生成一堆bin文件

轉換數據格式爲lmdb：

# sudo sh examples/cifar10/create_cifar10.sh

轉換成功後，會在 examples/cifar10/文件夾下生成兩個文件夾，cifar10_train_lmdb和cifar10_test_lmdb, 裏面的文件就是咱們須要的文件。

爲了節省時間，咱們進行快速訓練（train_quick)，訓練分爲兩個階段，第一個階段（迭代4000次）調用配置文件cifar10_quick_solver.prototxt, 學習率（base_lr)爲0.001

第二階段（迭代1000次）調用配置文件cifar10_quick_solver_lr1.prototxt, 學習率(base_lr)爲0.0001

先後兩個配置文件就是學習率(base_lr)和最大迭代次數（max_iter)不同，其它都是同樣。若是你對配置文件比較熟悉之後，其實是能夠將兩個配置文件合二爲一的，設置lr_policy爲multistep就能夠了。

base_lr: 0.001
momentum: 0.9
weight_decay: 0.004
lr_policy: "multistep"
gamma: 0.1
stepvalue: 4000
stepvalue: 5000

運行例子：

# sudo time sh examples/cifar10/train_quick.sh

GPU+cudnn大約45秒左右，精度75%左右。