Windows caffe 跑mnist實例

　    一. 裝完caffe當然要來跑跑自帶的demo，在examples文件夾下。

先來試試用於手寫數字識別的mnist，在 examples/mnist/ 下有需要的代碼文件，但是沒有圖像庫。

mnist庫有50000個訓練樣本，10000個測試樣本，都是手寫數字圖像。

　　caffe支持的數據格式為：LMDB　　LEVELDB

　　IMDB比LEVELDB大，但是速度更快，且允許多種訓練模型同時讀取同一數據集。

　　默認情況，examples里支持的是IMDB文件，不過你可以修改為LEVELDB，后面詳解。

　　mnist數據集建議網上搜索下載，網盤有很多，注意將文件夾放到\examples\mnist目錄下，且最好命名為圖中格式，

否則可能無法讀取文件需手動配置。

　　筆者之前下的數據集命名的下划線是連接線就會報錯無法讀取文件，所以注意文件夾名字！

 Windows下最好選擇LEVELDB文件，Linux則隨意了。下好了LEVELDB文件就不用再使用convert_imageset函數了，省去了轉換圖片格式和計算均值的步驟。

　　二. 訓練mnist模型

　　mnist的網絡訓練模型文件為： lenet_train_test.prototxt

name: "LeNet"
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_train_leveldb"
    batch_size: 64
    backend: LEVELDB
  }
}
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_test_leveldb"
    batch_size: 100
    backend: LEVELDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

一般修改兩個DATA層的 “source”文件路徑就行，上面的例子中，我已經改了，改為mnist的訓練集和測試集文件夾路徑。再就是注意“backend: LEVELDB”,默認的backend應該是IMDB要修改！

　　網絡模型 lenet_train_test.prototxt修改后再修改 lenet_solver.prototxt

該文件主要是一些學習參數和策略：

　　

# The train/test net protocol buffer definition
net: "examples/mnist/lenet_train_test.prototxt"
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 100
# Carry out testing every 500 training iterations.
test_interval: 500
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy
lr_policy: "inv"
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 10000
# snapshot intermediate results
snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"
# solver mode: CPU or GPU
solver_mode: CPU

帶#的注釋可以不管，能理解最好：

　　第二行的 net:　　路徑需改為自己的網絡模型xx_train_test.prototxt路徑。其他的學習率 base_lr，lr_policy等不建議修改；max_iter最大迭代次數可以稍微改小，display顯示間隔也可以隨意修改~最后一行，我是只有CPU模式所以設為CPU，如果可以用GPU加速可設為GPU！

　　到這基本設置就結束了，然后就是寫命令執行測試程序了：

我選擇寫了批處理.bat文件執行，也可以直接在CMD環境輸命令執行。

　　新建mnist_train.bat，內容如下：

cd ../../
"Build/x64/Debug/caffe.exe" train --solver=examples/mnist/lenet_solver.prototxt 
pause 

根據自己的情況修改第二行的路徑位置，Windows應該都是在Build/x64目錄下，有的博客寫的/bin/目錄其實是Linux的並不適用於Windows環境。還要注意使用斜線“/”，不要使用“\”無法識別，Python代碼多為后者要修改！

我的環境只有Debug目錄，如果你有Realease目錄，使用Realease目錄。

 運行.bat成功后，會開始訓練，訓練結束界面如下：

　　最后幾行可以看到accuracy的准確率可以達到99%，也是相當准確了！

提示，caffe文件夾內會生成.caffemodel文件

使用caffemodel文件開始測試：

　　三.測試數據

　　由於測試數據集也是直接下載好了的LEVELDB文件，所以省了不少步驟

　　直接新建mnist_test.bat文件，類似訓練mnist模型一樣，對該模型進行數據測試。　　

cd ../../
"Build/x64/Debug/caffe.exe" test --model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel
pause 

　　類似mnits_train.bat，修改文件路徑名，test表示用於測試，model指向自己的網絡模型文件，最后添加權值文件.caffemodel進行測試。

　　運行mnist_test.bat后，成功界面如下：

　　

　　最后一行還是有98%的准確率還是很不錯的，說明模型生成的還不錯。

　　

總結：其實還遇到了不少零零碎碎的問題，大多都可以百度解決，主要是記得修改對自己的文件路徑目錄，Windows下一定要使用LEVELDB數據文件，.prototxt也記得修改，然后就是等待模型跑完看結果了，看到高准確率還是很開心的~

　　四. 使用該模型

　　模型訓練好了，數據也只是測試了，那么我們要使用該模型判斷一張圖片是數字幾該如何做呢？

這個時候需要生成 classification.exe，然后執行相應的.bat命令來預測圖片的分類結果。

　　mnist分類使用可以參考http://www.cnblogs.com/yixuan-xu/p/5862657.html

　　發現OpenCV可以加載caffe 框架模型，准備再寫一篇博客進行實踐介紹~

http://docs.opencv.org/3.1.0/d5/de7/tutorial_dnn_googlenet.html