Caffe 入门（训练mnist）

使用caffe训练模型只需要以下几个步骤：

（1）准备好数据；

（2）写好模型配置文件；

（3）写好优化配置文件；

（4）命令行执行；

这样就可以得到训练的模型.caffemodel文件了

1.caffe的下载与安装：

（1）下载

（2）安装

扫描二维码关注公众号，回复： 4927877 查看本文章

（3）caffe的下载与安装以及一些基本的介绍官网已经描述地比较详细，这里不再重复；

2.caffe的使用接口有命令行，python跟matlab，个人觉得训练模型的时候使用命令行已经足够简单了，至于训练好的模型可以使用python与matlab的接口进行调用，本文先描述基于命令行的模型训练，以LeNet模型为例；

LeNet模型

PS：LeNet是手写数字库MNIST上应用比较经典的模型，具有7层网络结构，分别是卷积-下采样-卷积-下采样-全连-全连-分类层，具体网络细节可以参考文章：

Gradient based learning applied to document recognition

1.安装编译完caffe后，其主目录下有：

2.训练模型之前需要先准备好训练数据MNIST，执行以下命令可以下载MNIST数据库：

3.由于caffe支持的数据类型不包括图像类型，所以常规做法需要将图像类型转为lmdb类型：

4.准备好数据之后，我们需要定义我们的网络模型，在caffe中是通过.prototxt配置文件来定义的，执行以下命令：

可以看到各个网络层是如何定义的：

（1）输入层（数据层）：

[plain]  view plain  copy

1. layer {  
2.   name: "mnist"      //表示层名  
3.   type: "Data"       //表示层的类型  
4.   top: "data"          
5.   top: "label"  
6.   include {  
7.     phase: TRAIN      //表示仅在训练阶段起作用  
8.   }  
9.   transform_param {  
10.     scale: 0.00390625  //将图像像素值归一化  
11.   }  
12.   data_param {  
13.     source: "examples/mnist/mnist_train_lmdb"   //数据来源  
14.     batch_size: 64                              //训练时每个迭代的输入样本数量  
15.     backend: LMDB                               //数据类型  
16.   }  
17. }  

（2）卷积层：

[plain]  view plain  copy

1. layer {  
2.   name: "conv1"  
3.   type: "Convolution"  
4.   bottom: "data"               //输入是data  
5.   top: "conv1"                 //输出是卷积特征  
6.   param {  
7.     lr_mult: 1                 //权重参数w的学习率倍数  
8.   }  
9.   param {  
10.     lr_mult: 2                 //偏置参数b的学习率倍数  
11.   }  
12.   convolution_param {  
13.     num_output: 20  
14.     kernel_size: 5  
15.     stride: 1  
16.     weight_filler {           //权重参数w的初始化方案，使用xavier算法  
17.       type: "xavier"  
18.     }  
19.     bias_filler {  
20.       type: "constant"       //偏置参数b初始化化为常数，一般为0  
21.     }  
22.   }  
23. }  

（3）下采样层（pool）：

[plain]  view plain  copy

1. layer {  
2.   name: "pool1"  
3.   type: "Pooling"  
4.   bottom: "conv1"  
5.   top: "pool1"  
6.   pooling_param {  
7.     pool: MAX  
8.     kernel_size: 2  
9.     stride: 2  
10.   }  
11. }  

（4）全连层：

[plain]  view plain  copy

1. layer {  
2.   name: "ip1"  
3.   type: "InnerProduct"  
4.   bottom: "pool2"  
5.   top: "ip1"  
6.   param {  
7.     lr_mult: 1  
8.   }  
9.   param {  
10.     lr_mult: 2  
11.   }  
12.   inner_product_param {  
13.     num_output: 500  
14.     weight_filler {  
15.       type: "xavier"  
16.     }  
17.     bias_filler {  
18.       type: "constant"  
19.     }  
20.   }  
21. }  

（5）非线性层：

[plain]  view plain  copy

1. layer {  
2.   name: "relu1"  
3.   type: "ReLU"  
4.   bottom: "ip1"  
5.   top: "ip1"  
6. }  

（6）准确率层（计算准确率）：

[plain]  view plain  copy

1. layer {  
2.   name: "accuracy"  
3.   type: "Accuracy"  
4.   bottom: "ip2"  
5.   bottom: "label"  
6.   top: "accuracy"  
7.   include {  
8.     phase: TEST  
9.   }  
10. }  

（7）损失估计层：

[plain]  view plain  copy

1. layer {  
2.   name: "loss"  
3.   type: "SoftmaxWithLoss"  
4.   bottom: "ip2"  
5.   bottom: "label"  
6.   top: "loss"  
7. }  

5.定义完网络模型，还需要配置关于模型优化的文件：

配置文件如下：

[plain]  view plain  copy

1. # The train/test net protocol buffer definition  
2. net: "examples/mnist/lenet_train_test.prototxt"     //设定网络模型配置文件的路径  
3. # test_iter specifies how many forward passes the test should carry out.  
4. # In the case of MNIST, we have test batch size 100 and 100 test iterations,  
5. # covering the full 10,000 testing images.  
6. test_iter: 100  
7. # Carry out testing every 500 training iterations.  
8. test_interval: 500                               
9. # The base learning rate, momentum and the weight decay of the network.  
10. base_lr: 0.01  
11. momentum: 0.9  
12. weight_decay: 0.0005  
13. # The learning rate policy  
14. lr_policy: "inv"  
15. gamma: 0.0001  
16. power: 0.75  
17. # Display every 100 iterations  
18. display: 100  
19. # The maximum number of iterations  
20. max_iter: 10000  
21. # snapshot intermediate results  
22. snapshot: 5000  
23. snapshot_prefix: "examples/mnist/lenet"  
24. # solver mode: CPU or GPU  
25. solver_mode: GPU  

6.接下来一步就是进行训练了，直接执行命令就可以：

执行后可以看到：首先会读取配置文件初始化网络跟优化器：

紧接着开始优化：

可以看到训练过程中每100次迭代就会显示一个loss，每500次迭代就会计算一次test准确率，总共10000次迭代，这些都可以在配置文件中设置；

7.训练完之后的模型就保存在.caffemodel文件中，该文件可以被c，python，matlab等调用；