1、LeNet模型介绍
LeNet是一种CNN模型，整体框架如下图
可以看出LeNet网络结构规模比较小，但包含了卷积层，pooling层，全连接层等CNN网络的基本组件
第一层：输入层是32*32大小的图像，希望字母的一些特征能够出现在最高层特征检测子感受野的中心
第二层：C1层是一个卷积层，6个feature map，5*5大小的卷积核，每个featuremap有（32-5+1）*（32-5+1）即28*28个神经元，每个神经元都与输入层5*5大小的区域相连，于是C1层共有（5*5+1）*6=156个训练参数。两层之间的连接数为156*(28*28）个。通过卷积运算，使原信号特征增强，并且降低噪音，而且不同的卷积核能够提取到图像中的不同特征。
第三层：S2层是一个下采样层，有6个14*14的featuremap，每个featuremap中的每个神经元都与C1层对应的feature中的2*2的区域相连。下采样层的目的是为了降低网络训练参数及模型的过拟合程度。下采样层的池化方式有两种：1、选择Pooling窗口中的最大值作为采样值的叫最大值池化。2、将Pooling窗口中的所有值相加取平均值作为采样值，即均值池化。
第四层：C3层也是一个卷积层，有16个featuremap，每个featuremap由上一层的各featuremap之间的不同组合
第五层：S4层是一个下采样层，由16个5*5大小的featuremap构成，每个神经元与C3中对应featuremap的2*2大小的区域相连
第六层：C5层又是一个卷积层，同样使用5*5的卷积核。
第七层：F6全连接层有84个featuremap，每个featuremap只有一个神经元与C5层全相连，F6层计算输入向量和权重向量之间的点积和偏置，之后将其传递给sigmoid函数来计算神经元
第八层：输出层也是全连接层，共有10个节点，分别代表数字0到9，如果节点i的值为0，则网络识别的结果是数字i
2、利用Caffe得到训练模型
#caffe目录下
#1、下载数据集
sh ./data/mnist/getmnist.sh
#2、转换格式
sh ./examples/mnist/create_mnist.sh
#这一步是将下载的数据集的二进制格式转换成caffe能识别的lmdb格式
#执行以后，example/mnist目录下出现mnist_train_lmdb和mnist_test_lmdb
#首先确定lenet_train_test.prototxt文件在红的source参数文件路径没有问题（lmdb文件的路径）
#3、训练数据集
sh ./example/mnist/train_lenet.sh
#训练结束后，会出现一个accuracy=0.991的，代表分类准确率为99.1%
此时目录example/mnist下会出现两个重要文件lenet.prototxt、lenet_iter_10000.caffemodel
3、建立C++工程
main.cpp
#include <iostream>
#include <opencv2/opencv.hpp>
#include <caffe/caffe.hpp>
#include <string>
using namespace caffe;
using namespace std;
int main(int argc,char* argv[]) {
typedef float type;
type ary[28*28];
//在28*28的图片颜色为RGB(255,255,255)背景上写RGB(0,0,0)数字.
cv::Mat gray(28,28,CV_8UC1,cv::Scalar(255));
cv::putText(gray,argv[3],cv::Point(4,22),5,1.4,cv::Scalar(0),2);
//将图像的数值从uchar[0,255]转换成float[0.0f,1.0f],的数, 且颜色取相反的 .
for(int i=0;i<28*28;i++){
// f_val =(255-uchar_val)/255.0f
ary[i] = static_cast<type>(gray.data[i]^0xFF)*0.00390625;
}
cv::imshow("x",gray);
cv::waitKey();
//set cpu running software
Caffe::set_mode(Caffe::CPU);
//load net file , caffe::TEST 用于测试时使用
Net<type> lenet(argv[1],caffe::TEST);
//load net train file caffemodel
lenet.CopyTrainedLayersFrom(argv[2]);
Blob<type> *input_ptr = lenet.input_blobs()[0];
input_ptr->Reshape(1,1,28,28);
Blob<type> *output_ptr= lenet.output_blobs()[0];
output_ptr->Reshape(1,10,1,1);
//copy data from <ary> to <input_ptr>
input_ptr->set_cpu_data(ary);
//begin once predict
lenet.Forward();
const type* begin = output_ptr->cpu_data();
// get the maximum index
int index=0;
for(int i=1;i<10;i++){
if(begin[index]<begin[i])
index=i;
}
// 打印这次预测[0,9]的每一个置信度
for(int i=0;i<10;i++)
cout<<i<<"\t"<<begin[i]<<endl;
// 展示最后的预测结果
cout<<"res:\t"<<index<<"\t"<<begin[index]<<endl;
return 0;
}CMakeLists.txt
cmake_minimum_required (VERSION 2.8)
project (classification_test)
add_executable(classification_test main.cpp)
#SET (SRC_LIST main.cpp)
include_directories ( /home/dzh/caffe/include
/usr/local/include
/usr/local/cuda/include
/usr/include )
#使用opencv
find_package(OpenCV REQUIRED)
target_link_libraries(classification_test ${OpenCV_LIBS} )
target_link_libraries(classification_test
/home/dzh/caffe/build/lib/libcaffe.so
/usr/lib/x86_64-linux-gnu/libglog.so
/usr/lib/x86_64-linux-gnu/libboost_system.so
)
#add_library表示编译时在lib文件夹下会生成libclassification.so文件
#如果需要生成.so文件，则需要将上面SET处解除注释
#add_library(so_test SHARED ${SRC_LIST})
然后可以将生成的两个文件lenet.prototxt、lenet_iter_10000.caffemodel拷贝到build目录下，编译后执行，后面的数字代表生成的具体数字，由于waitkey的作用，需要把显示的28*28图片关掉才会显示预测结果
./caffe_mint lenet.prototxt lenet_iter_10000.caffemodel 1假如编译过程中出现了
fatal error: caffe/proto/caffe.pb.h: No such file or directory
#include "caffe/proto/caffe.pb.h"
就用protoc从caffe/src/caffe/proto/caffe.proto生成caffe.pb.h和caffe.pb.cc，执行
protoc --cpp_out=/home/dzh/caffe/include/caffe/ caffe.proto在caffe/include/caffe/目录下新建一个proto文件夹，将生成的caffe.pb.h和caffe.pb.cc两个文件放到里面
再编译，就可以了
相关的API接口解析在下一篇博客