在开始前，对cifar数据集进行一个简单的介绍：
【cifar数据集介绍】
CIFAR-10数据集含有6万个32*32的彩色图像，共分为10种类型，包含50000张训练图片，10000张测试图片
数据集的数据存在一个10000*3072的数组中，单位是uint8s，3072是存储了一个32*32的彩色图像。（3072=1024*3）。前1024位是r值，中间1024是g值，后面1024是b值。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）。
1、数据集下载
CIFAR-10数据库的下载地址：http://www.cs.toronto.edu/~kriz/cifar.html（下载二进制格式）
2、解压至相关路径
下载完成后，将其解压缩至.../caffe-master/data/cidar10/下，与get_cifar10.sh放在一起，其实./get_cifar10.sh命令的作用也就是“下载并解压缩”，只不过是linux环境下的而已。其中，data_batch_1.bin、data_batch_2.bin、data_batch_3.bin、data_batch_4.bin和data_batch_5.bin包含了该数据库中的50000张共10类（每类5000张）彩色图像，是用于训练的，而test_batch_.bin中包含了10000张共10类（每类1000张）是用于测试的。
3、转换数据库为lmdb格式
进入convert_cifar_data.exe所在的路径.../caffe-master/Build/x64/Release/，在cmd中执行：
命令执行完后可以在.../caffe-master/examples/cifar10/路径下面看到生成的两个文件夹cifar10_test_lmdb和cifar10_train_lmdb，它们分别是测试数据库和训练数据库对应的转换后的数据库。 接着，将db格式的训练图像进行求平均值，进入convert_cifar_data.exe所在的路径.../caffe-master/Build/x64/Release/，在cmd中执行：
命令执行完后可以在.../caffe-master/examples/cifar10/路径下面看到生成的mean.binaryproto。
由此我们得到了：
1--cifar10_train_lmdb--------训练样本数据集
2--cifar10_test_lmdb---------测试样本数据集
3--mean.binaryproto----------数据集的均值文件(用于减均值操作)
4、训练
该CNN由卷积层、POOLing层、非线性变换层以及在顶端的局部对比归一化线性分类器组成。在.../caffe-master/examples/cifar10/路径下有一堆*.prototxt，它们均是用来修改配置参数的。 由于我们所采用的平台没有英伟达的GPU，故只能采用CPU进行训练，所以将cifar10_quick_solver.prototxt和cifar10_quick_solver_lr1.prototxt中的solver_mode:GPU均改为solver_mode:CPU。这两个参数配置文件是用来协调模型的优化的，例如学习因子（learning rate）。
训练或者测试时都要采用Release模式下的caffe.exe，进入.../caffe-master/Build/x64/Release/路径下，采用dos命令行，也就是执行cmd，执行下列命令：
上述命令执行完毕后会生成cifar10_quick_iter_4000.caffemodel.h5以及cifar10_quick_iter_4000.solverstate.h5两个文件，其中cifar10_quick_iter_4000.solverstate.h5将在进一步的训练中使用到，而cifar10_quick_iter_4000.caffemodel.h5模型权值文件可用于数据集的测试（此处可不用，因为还有下面更深层的训练，会生成更深层的模型权值文件cifar10_quick_iter_5000.caffemodel.h5）。该过程大约持续半小时。
在上一步基础上，进一步执行如下命令:
上述命令执行完毕后会生成cifar10_quick_iter_5000.caffemodel.h5以及cifar10_quick_iter_5000.solverstate.h5两个文件，在此例子中，就是用cifar10_quick_iter_5000.caffemodel.h5模型权值文件进行预测的。
需要注意的是，在执行上述命令时，会报错，提示找不到文件或无法写入等问题：
这是文件路径引起的问题，在此为解决该问题，我把各文件中的路径进行了改动，可以根据报错内容修改对应的文件路径，需要修改的文件内容中的路径一般是cifar10_quick_solver.prototxt和cifar10_quick_solver_lr1.prototxt中的net以及snapshot_prefix对应的路径，还有cifar10_quick_train_test.prototxt中的mean_file和source对应的路径。此处，我将cifar10_quick_solver_lr1.prototxt和cifar10_quick_train_test.prototxt中的路径均改成了绝对路径。
原始的prototxt文件里面涉及到路径的都写的很含糊，省略了上级路径，当你稍微一动文件的时候，按照例子来进行跑的时候，就会出现路径不一致。所以，建议先将路径全部改为绝对路径。
下面将对配置文件中的内容进行简单说明或解释：
net：用于训练、预测的网络描述文件
test_iter：预测阶段迭代次数
test_interval：训练时每迭代多少次，进行一次预测
base_lr、momentum、weight_delay：网络的基础学习速率、冲量和权衰量
lr_policy：学习速率的衰减策略
display：每经过多少次迭代，在屏幕上打印一次运行日志
max_iter：最大迭代次数
snapshot：每多少次迭代打印一次快照
solver_mode：caffe的求解模式，根据实际情况选择GPU或CPU
5、测试
其实，预测就是用训练好的模型进行预测，对于此例子来说，就是使用cifar10_quick_iter_5000.caffemodel.h5模型权值文件进行预测的。
进入.../caffe-master/Build/x64/Release/路径下，在cmd中执行下列命令：
其中：
test ：表示只做预测（前向传播计算），不进行参数更新（后向传播计算）
-model ../../../examples/cifar10/cifar10_quick_train_test.prototxt：指定模型描述文本文件
-weights ../../../examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 ：指定模型权值文件，也就是预先训练出来的模型或者说权值文件
-iterations 100：指定迭代的次数，也就是参与测试的样本数目。
采用cifar10_quick_iter_5000.caffemodel.h5模型权值文件进行预测时，最终得到的结果如下所示，准确率为0.75左右：
若采用cifar10_quick_iter_4000.caffemodel.h5模型权值文件进行预测时，准确率为0.7159：
说明迭代次数对最终结果还是有一定的影响。