搭好了环境，下面就该训练模型了呀！实践才是真理的唯一标准！大多数情况下，新接触caffe的小白们第一个训练的模型一定是Mnist数据集吧。这篇文章就以mnist数据集为例介绍下如何训练模型吧！（训练模型，想想就激动~）
先来简单的介绍一下mnist数据集，mnist数据集属于分类的数据集。里面包含了从0-9十个类别。mnist数据集中共包含70000张图片，其中60000张是训练集，10000张是测试集。训练集和测试集对于熟悉深度学习的人肯定不陌生吧！这是我们模型训练的基础。70000张图片大小是28x28x1。
说完了mnist数据集，那它哪里来呢？又要怎么用呢？还有和模型训练有啥关系呢？（问题三连，但是不怕）下面让我来一一解答！
1. mnist数据集的下载
因为mnist数据集的训练属于caffe中最最基础的训练模型。caffe中自带了下载mnist数据集的文件：get_mnist.sh（该文件在caffe目录下，具体的位置可以自己去翻翻，顺便加深下对文件的了解）
进入caffe目录下，执行：
sudo sh get_mnist.sh 等待一段时间，就会发现train-images-idx3-ubyte、train-labels-idx1-ubyte、t10k-images-idx3-ubyte、t10k-labels-idx1-ubyte这四个文件出现在了我们的文件夹中。分别对应的训练集、训练集标签、测试集、测试集标签。
至此为止，mnist数据集就下载完成了！
2. mnist数据集的格式转化
在caffe中所有模型输入的图片数据不能是.jpg/.png/.bmp。而必须是lmdb格式。所以需要将刚才下好的数据集进行转化。转化的文件也有了：create_mnist.sh（同样也是自带的）
进入caffe目录，执行：
sudo sh create_mnist.sh 执行过后，需要等待一段时间。在caffe/examples/minst中会出现名为minst_test_lmdb和minst_train_lmdb两个文件夹。分别存放测试集和训练集的lmdb格式的数据。
现在，有关数据已经全部准备好了，下面该到训练模型了！
3. 训练模型
在caffe中，训练模型需要准备两个文件：一个是模型文件，简称为model.prototxt（prototxt是caffe下文本文件的后缀）。另一个是参数文件，简称为solver.prototxt。solver文件格式都差不多，但model文件大小取决于使用的模型（lenet网络中7层，但完整版的resnet却有100多层）。
对于两个文件，还是要着重介绍下（里面有的参数需要修改！）
solver文件全文如下（所有模型solver文件格式都一样，所以务必弄清每一个超参数的含义）：
# net里面写模型的位置，在一个文件夹下可写相对路径
net:"examples/mnist/lenet_train_test.prototxt"
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
#测试集迭代100次：共10000/100=100，每次100个样本
test_iter: 100
# Carry out testing every 500 training iterations.
#每训练500次迭代，进行一次测试
test_interval: 500
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01
#冲量，在SGD优化器中可以达到避免震荡的作用
momentum: 0.9
#权值衰弱常数，防止过拟合。在训练期间，将正则化项添加到网络的损失中以计算后向梯度。 weight_decay值确定该正则化项在梯度计算中的优势
weight_decay: 0.0005
# The learning rate policy
#学习率计算的方法，共有七种，根据base_lr和learning_rate_lr计算。inv计算公式是 base_lr * (1 + gamma * iter) ^ (- power)所以之后两个参数是gamma和power
lr_policy: "inv"
gamma: 0.0001
power: 0.75
#每100次迭代在终端中显示一次xxx
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 10000
# snapshot intermediate results
#snapshot用来保存模型，每经过指定次数会形成一个模型，以后再训练时可在其基础上训练
snapshot: 5000
#这是caffemodel保存的位置，记得一定要写
snapshot_prefix:"examples/mnist/lenet"
# solver mode: CPU or GPU，自己的CPU/GPU选个适合自己的
solver_mode: CPU
在mnist数据集模型训练中使用的是Lenet模型，下面简单的介绍一下lenet模型（其实我也不是特别懂~）
Lenet共七层结构（输出层不算的）
分别是：输入层→卷积层→池化层→卷积层→池化层→全连接层->全连接层->输出层。不多说，上图：
总的来说，lenet属于比较简单的深度神经网络.但因为mnist数据集比较小，所有使用Lenet已经可以达到较高精度。后面博客会介绍cifar10，那个数据集更复杂。也就会使用更复杂的模型。
模型文件叫做lenet_train_test.prototx。下面是部分内容：
layer {
name: "mnist"
type: "Data"
top:"data"
top:"label"
include {
phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/mnist/mnist_train_lmdb"
batch_size:64
backend: LMDB
}
}
layer {
name: "mnist"
type: "Data"
top:"data"
top:"label"
include {
phase: TEST
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/mnist/mnist_test_lmdb"
batch_size: 100
backend: LMDB
}
}
这是数据层（Layer）,对于layer的知识属于caffe的基本知识，可以去找相关书籍了解。本文不在此赘述。这个需要改动两个地方：是两个Layer的source的文件来源，要改成之前生成的lmdb文件的位置。注意对应好测试集和训练集！
文件已经准备好了，下面要正式开始模型的训练啦。训练的脚本已经准备好了，就是train_lenet.sh（可以自己去找找位置，应该mnist文件夹下面）进入指定文件夹，终端输入：
sudo sh train_lenet.sh 就可以正式进入训练了，训练之后的数据会存在caffe/examples/minst/lenet_iter_5000.caffemodel
caffe/examples/minst/lenet_iter_10000.caffemodel。两个文件中分别是迭代5000次和10000次形成的caffe模型
如果是CPU版本，训练时间在10多分钟。GPU版本不到一分钟就搞定了（由此可见，没有GPU深度学习真的是难玩，后面更恐怖！）
4.模型测试
之前完成的只是数据集的训练，还要讲数据集进行测试，测试指令是：
./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel注意下，在caffe安装的过程中已经将caffe目录下所有文件都进行编译。形成了build文件，如果不行的话记得在caffe目录下
make cleanm
make all -j4 对测试命令进行操作前面要加上sudo，否则会出现以下错误：
F0510 07:23:36.745424 5125 db_lmdb.hpp:15] Check failed: mdb_status
== 0 (13 vs. 0) Permission denied
*** Check failure stack trace: ***
@ 0x7f4fe1ca65cd google::LogMessage::Fail()
@ 0x7f4fe1ca8433 google::LogMessage::SendToLog()
@ 0x7f4fe1ca615b google::LogMessage::Flush()
@ 0x7f4fe1ca8e1e google::LogMessageFatal::~LogMessageFatal()
@ 0x7f4fe20862f8 caffe::db::LMDB::Open()
@ 0x7f4fe20c5e2f caffe::DataLayer<>::DataLayer()
@ 0x7f4fe20c5fc2 caffe::Creator_DataLayer<>()
@ 0x7f4fe2046160 caffe::Net<>::Init()
@ 0x7f4fe20493e0 caffe::Net<>::Net()
@ 0x408ca4 test()
@ 0x406fa0 main
@ 0x7f4fe0c16830 __libc_start_main
@ 0x4077c9 _start
@ (nil) (unknown)
已放弃 (核心已转储)
-----------------------------------分割线-------------------------
测试时间较训练时间较短，只有几秒，运行一次迭代，accuracy = 0.9868，loss = 0.042179
看到精度是不是很激动！但这只是模型的建立，我们真正想要的是测试自己拿来的随便一张图片。但这个过程需要对图片进行二值化，还需要写deploy文件。后面再慢慢说吧！现在享受喜悦吧~
附加内容：
1.minst数据集各个文件功能讲解，可参考这位博主的博客：https://blog.csdn.net/bhniunan/article/details/104357291link
2.在solver文件中的超参数由自己选择的优化器决定，不同优化器需要不同的参数。另外lr_policy对于不同模型也是不同的。 lenet_solver_adam/lenet_solver_rmsprop分别代表不同的优化器。（特点是种类在solver的后面）
优化方法如图：
minst_autoencoder.prototxt中autoencoder的作用是用于降维，有点类似PCA（主成分分析）。选取重要因素，减少噪声。具体计算方法可参考博客：https://blog.csdn.net/omnispace/article/details/78364582link
mnist_autoencoder_solver_adadelta和mnist_autoencoder_solver_adagrad和mnist_autoencoder_solver_nesterov是使用三种不同优化器的mnist_autoencoder_solver区别只在于种类（type)不一样和个别lr_policy不一样。和以上两种优化器正好不一样。（猜想使用方法不同）前两种是Lenet的后三种是minst的。
由于本篇文章作者水平有限。如有错误之处，请务必再下方评论区指正，谢谢！