前言
前面的博客中，我们介绍了windows平台下caffe的安装，并使用mnist进行了测试。为了巩固和熟练caffe的使用，我们本节使用数据库CIFAR-10再次练习caffe的使用。
1、数据库CIFAR-10的下载与介绍
进入caffe目录下的data/cifar10目录下，有个get_cifar10.sh文件是用来下载和解压数据的，只不过是Linux的shell脚本。我们打开这个文件，将下载链接http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz复制到浏览器地址栏手动下载数据集。
2.将数据集解压到相应目录
CIFAR-10数据库： 60000张32*32大小的彩色图像共计10类（airplane、automobile、 bird、cat 、deer、dog、frog、 horse、ship、truck）。每一类6000张，其中50000张用于训练，10000张用于测试。
将下载后的数据集解压到data/cifar10目录下。解压得到data_batch_1.bin、data_batch_2.bin、data_batch_3.bin、data_batch_4.bin，data_batch_5.bin，test_batch_.bin。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.转换数据集为lmdb格式
caffe为什么采用LEVELDB格式或LMDB格式，而不是直接读取原始数据？原因有二：一是数据类型多种多样，转换为统一格式可以简化数据读取层的实现；二是使用LEVELDB格式或LMDB格式可以提高磁盘IO利用率。
若是在linux下，进入…/caffe-master/examples/cidar10/路径下，则直接执行./create_cifar10.sh即可完成数据格式转换。
在windows环境下编译好caffe后在Build\x64\Release下会生成convert_cifar_data.exe，可以将cifar10转换为lmdb数据库。
打开cmd进入caffe根目录，输入如下dos命令：
Build\x64\Release\convert_cifar_data.exe data\cifar10\ examples\cifar10 lmdb命令执行完后可以在…/caffe/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,输入如下dos命令：
Build\x64\Release\compute_image_mean.exe -backend=lmdb examples/cifar10/cifar10_train_lmdb examples/cifar10/mean.binaryproto命令执行完后可以在…/caffe/examples/cifar10/路径下面看到生成的mean.binaryproto。
4.模型配置与说明
我们可以看到，在…/caffe/examples/cifar10/路径下有一堆*.prototxt，它们均是用来配置模型的。
由于我的电脑没有GPU，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）。另外为了节省时间，我将cifar10_quick_solver.prototxt中的max_iter: 4000改成了 max_iter: 1000，cifar10_quick_solver_lr1.prototxt 中的max_iter: 5000改成了max_iter: 2000。
5.训练
训练或者测试时都要采用Release模式下的caffe.exe，进入…/caffe/Build/x64/Release/路径下，采用dos命令行，也就是执行cmd，执行下列命令：
Build\x64\Release\caffe train --solver=examples\cifar10\cifar10_quick_solver.prototxt
上述命令执行完毕后会生成cifar10_quick_iter_1000.caffemodel.h5以及cifar10_quick_iter_1000.solverstate.h5两个文件，其中cifar10_quick_iter_1000.solverstate.h5将在进一步的训练中使用到，而cifar10_quick_iter_1000.caffemodel.h5模型权值文件可用于数据集的测试（此处可不用，因为下面还有更深层的训练，会生成更深层的模型权值文件cifar10_quick_iter_2000.caffemodel.h5）。
接下来执行如下命令：
Build\x64\Release\caffe train --solver=examples\cifar10\cifar10_quick_solver_lr1.prototxt --snapshot=examples\cifar10\cifar10_quick_iter_1000.solverstate.h5
本次训练是在上次训练1000次的基础上训练的。cifar10_quick_iter_1000.solverstate.h5保存了上次训练的状态。
上述命令执行完毕后会生成cifar10_quick_iter_2000.caffemodel.h5以及cifar10_quick_iter_2000.solverstate.h5两个文件，在此例子中，接下来就是用cifar10_quick_iter_2000.caffemodel.h5模型权值文件进行预测的。
6.用训练好的模型进行预测
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。
同理，对于windows平台，进入caffe根目录，采用dos命令行，也就是执行cmd，执行下列命令：
Build\x64\Release\caffe test -model examples\cifar10\cifar10_quick_train_test.prototxt -weights examples\cifar10\cifar10_quick_iter_1000.caffemodel.h5 -iterations 100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_2000.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，iterations*batch_size也就是参与测试的样本数目。
根据测试结果，可以看出，采用cifar10_quick_iter_1000.caffemodel.h5模型权值文件进行预测时，准确率为0.6237，采用cifar10_quick_iter_2000.caffemodel.h5模型权值文件进行预测时，准确率为0.6839，说明训练样本的多少与训练出来的模型还是有很大关系，这一点非常好理解，学得越多懂得也就越多，碰到新问题解决问题的能力就越强，与人一样。