第一步：首先需要制作自己的数据集，我在网上下载了狗和鸟的图片，各几十张分别分为训练集和验证集，我将训练集放在caffe/data/myself/train中，并分别建立两个文件夹，bird和dog，
验证集同理，我验证集用的是狗和鸟的图片共计19张。
第二步：将文件名导入一个文本文档中，并在后面设立标签数字 1和 2，
首先在命令行中cd到myself文件夹下，输入：find ./train/bird -type f exec echo {} \;>./train1.txt(find 命令的格式及解释：find 路径（路径表示你图片所在的目录） -type f(type f表示普通文件)exec command {} \;(这一句表示 执行这个command命令，这个echo表示显示图片名字)>（表示将内容输入当train,txt文档中（如果文档存在则覆盖里面的内容），如果文档不存在则自动创建一个文档，）)
你会在myself文件夹下得到一个train.txt文档并包含图片的名字，如图所示：
然后在名字的后面添加上标签 1
sed "s/$/1" ./train1.txt>train.txt
然后再输入上面同样的命令 将狗的图片名字输入到这个train2.txt下：
在myself目录下：find ./train/dog -type f exec echo {} \;>train2.txt
然后再给图片设置标签，鸟设为1，狗设2，
sed "s/$/2" ./train2.txt>>train.txt（>>表示在train.txt末尾添加内容，）
验证集同理，只要你学会了以上命令的应用，验证集的val.txt如下所示：
然后我们需要把数据集里面的图片全部变成256x256大小的尺寸 首先cd到 myself目录下
for name in train/bird/*.jpg ; do convert -resize 256x256\! $name $name; done
for name in train/dog/*.jpg ; do convert -resize 256x256\! $name $name; done
for name in val/dog*.jpg ; do convert -resize 256x256\! $name $name; done
for name in val/bird*.jpg ; do convert -resize 256x256\! $name $name; done1将数据集转化为lmdb形式
接下来在caffe/examples中新建myself文件夹，然后将caffe/examples/imagenet的create_imagenet.sh复制到该文件夹下，将其名改为create_imagenet_myself.sh,修改训练和测试路径的设置，运行该sh.如图：
然后得到：
2 计算图像均值
减去图像均值会获得更好的效果，所以我们使用tools/compute_image_mean.cpp实现，这个cpp是一个很好的例子去熟悉如何操作多个组建，例如协议的缓冲区，leveldbs，登录等。我们同样复制caffe-maester/examples/imagenet的
./make_imagenet_mean到examples/myself中，将其改名为make_myimagenet_mean.sh,这个你可以自己修改路径 $DATA表示你计算出来的均值图片的存储路径。改完后运行该文件，即可得到均值文件，
3网络的定义
把caffe/models/bvlc_reference_caffenet中所有文件复制到caffe/examples/myself文件夹中，修改train_val.prototxt，注意修改数据层的路径。如图：
4更改solver.prototxt文件配置
从里面可以观察到，我们将运行256批次，迭代4500000次（90期），每1000次迭代，我们测试学习网络验证数据，我们设置初始的学习率为0.01，每100000（20期）次迭代减少学习率，显示一次信息，训练的weight_decay为0.0005，每10000次迭代，我们显示一下当前状态。
以上是教程的，实际上，以上需要耗费很长时间，因此，我们稍微改一下
test_iter: 1000是指测试的批次，我们就19张照片，设置19就可以了。
test_interval: 1000是指每1000次迭代测试一次，我们改成50次测试一次。
base_lr: 0.01是基础学习率，因为数据量小，0.01就会下降太快了，因此改成0.001 学习率下降太快 可能会导致梯度爆炸 loss=-nan
lr_policy: “step”学习率变化
gamma: 0.1学习率变化的比率
stepsize: 100每100次迭代减少学习率
display: 20每20层显示一次
max_iter: 500最大迭代次数，
momentum: 0.9学习的参数，不用变
weight_decay: 0.0005学习的参数，不用变
snapshot: 10000每迭代10000次显示状态，这里改为100次 这里指的是每训练100次将训练的caffeNet模型当时的状态保存下来
solver_mode: GPU末尾加一行，代表用GPU进行
由于我的数据集比较小 训练集狗的图片和鸟的图片 都在60张左右，所以训练500次，验证集准确率就能达到百分之百了，且后来从网上找的图片再用来测试，准确率也能在百分之80左右，还可以把
如下图所示：
5.更改train_quick.sh文件：
cd 到我们之前创建的myself文件夹下（不是那个包含数据集的文件夹）
打开train_quick.sh，更改里面的配置，把里面的路径改为我上一步改的那个solver.prototxt所在的目录下,如下图所示：最后运行train_quick.sh,即可开始用自己的数据集训练网络了。
