本文大致记录使用caffe的一次完整流程
Process
1 下载mnist数据集（数据量很小），解压放在data/mnist文件夹中；
2 运行create_mnist.sh，生成lmdb格式的数据（data+label）；
$CAFFEROOT/build/tools/convert_imageset 可以用来做把原始图片转换为LevelDB或者 Lmdb格式。
3 运行build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt
usage: caffe <command> <args>
commands:
train train or finetune a model
test score a model
device_query show GPU diagnostic information
time benchmark model execution time
caffe的args采用第三方库gflags解析，具体可以在tools/caffe.cpp中找到定义。
使用方法
--solver=examples/mnist/lenet_solver.prototxt
-solver (The solver definition protocol buffer text file.)
type: string
DEFINE_string(solver, "",
"The solver definition protocol buffer text file.");
#note#
A 需要在caffe的根目录下运行example中的脚本，因为脚本的相对路径都是相当于caffe根目录写的；
B 运行shell脚本的时候，可能会出一些小问题，阅读脚本源码很容易排除；
C 报错： Cannot use GPU in CPU-only Caffe: check mode.
修改定义训练超参数的prototxt（lenet_solver.prototxt）中的训练模式
# solver mode: CPU or GPU
solver_mode: CPU；
D 关于第三方库 gflags
API
//显示信息
gflags::SetUsageMessage("information");
//instance
//定义可在命令行调用时出现的变量
DEFINE_bool(isvip, false, "If Is VIP");
DEFINE_string(ip, "127.0.0.1", "connect ip");
DEFINE_int32(port, 80, "listen port");
//main函数接受参数之后，启动库的解析功能
google::ParseCommandLineFlags(&argc, &argv, true);
//读取相应的变量
std::cout<<"ip:"<<FLAGS_ip<<std::endl;
std::cout<<"port:"<<FLAGS_port<<std::endl;
google::ParseCommandLineFlags(&argc, &argv, true);
4 讲训练之后的权值参数应用到项目中去，使用matlab实现网络，并使用权值参数用于测试应用
熟练的使用这一套流程,最好的方式就是参考一篇论文
Image Super-Resolution Using Deep Convolutional Networks
这篇文章将CNN应用到超分辨率中，网络结构简单，代码可得，很适合初学者阅读
解决问题:
回顾caffe的prototxt的写法
使用matlab，构建定义的网络，并且利用训练好的权重参数
#prototxt#
网络中的数据抽象成Blob, 各层网络抽象成Layer，整个网络抽象成Net，网络模型的求解方法抽象成Solver
Blob 主要用来表示网络中的数据，包括训练数据，网络各层自身的参数，网络之间传递的数据都是通过 Blob 来实现的，同时 Blob 数据也支持在 CPU 与 GPU 上存储，能够在两者之间做同步。
Layer 是对神经网络中各种层的一个抽象，包括我们熟知的卷积层和下采样层，还有全连接层和各种激活函数层等等。同时每种 Layer 都实现了前向传播和反向传播，并通过 Blob 来传递数据。
Net 是对整个网络的表示，由各种 Layer 前后连接组合而成，也是我们所构建的网络模型。
Solver 定义了针对 Net 网络模型的求解方法，记录网络的训练过程，保存网络模型参数，中断并恢复网络的训练过程。自定义 Solver 能够实现不同的网络求解方式。
prototxt的解析用到了第三方库protobuffer。具体，在caffe中怎么写prototxt文件，看几个例子你就会了，其实examples里的给的就还不错。
主要有两个地方需要用到，一个是定义网络结构，一个是确定训练的超参数。
相关reference：
layer的介绍
http://caffe.berkeleyvision.org/tutorial/layers.html
layer定义时，可定义的参数参考
https://github.com/BVLC/caffe/blob/master/src/caffe/proto/caffe.proto
训练超参数参考（以下一页足矣）
https://github.com/BVLC/caffe/wiki/Solver-Prototxt
下面看几个例子
1 prototxt about network structure
文件结构
name: xxx #定义网络名称
layer{} #逐层定义网络
layer{}惯常结构
name，类型，输入bottom，输出top，然后定义一些不同类型layer独有的parameter
常见layer
输入层，分为lmdb和hdf5两种类型
layer {
name: "data"
type: "HDF5Data"
top: "data"
top: "label"
hdf5_data_param {
source: "examples/SRCNN/test.txt"
batch_size: 2
}
include: { phase: TEST } #声明该层使用在test还是train
}
layer {
name: "mnist"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/mnist/mnist_train_lmdb"
batch_size: 64
backend: LMDB
}
}
卷积层
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"
}
}
}
池化层
layer {
name: "pool2"
type: "Pooling"
bottom: "conv2"
top: "pool2"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
全连接层以及激活函数的添加
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"
}
The solver.prototxt is a configuration file used to tell caffe how you want the network trained.
（这个例子取自 https://zhuanlan.zhihu.com/p/23445640）
net: "models/bvlc_alexnet/train_val.prototxt" #声明定义网络结构的prototxt的位置，这里使用的是相对路径，运行caffe时的路径就要注意在相应的目录下
test_iter: 1000 # 测试时，需要迭代的次数
test_interval: 1000 # 训练，每迭代test_interval次就进行一次测试
base_lr: 0.01 # 开始的学习率
lr_policy: "step" # 学习率的drop是以gamma在每一次迭代中
gamma: 0.1
stepsize: 100000 # 每stepsize的迭代降低学习率：乘以gamma
display: 20 # 每display次打印显示loss
max_iter: 450000 # train 最大迭代max_iter
momentum: 0.9 #
weight_decay: 0.0005 #
#snapshot
This parameter indicates how often caffe should output a model and solverstate.
snapshot: 10000
snapshot_prefix: "models/bvlc_reference_caffenet/caffenet_train"
solver_mode: GPU # 使用的模式是GPU
使用matlab复现网络结构，下一篇讲述吧
5 test
使用命令
caffe test
-model xxxx.prototxt(原先定义网络结构的prototxt,该文件中有定义输入数据的batch_size，批处理的数量)
-weights xxxx.caffemodel(训练好的参数)
-iterations 100 (确定训练迭代的次数，iteration×batch_size=样本容量)
补充小细节
# 从训练一半的模型快照中恢复训练 （参数：求解文件 快照）
-snapshot (Optional; the snapshot solver state to resume training.)
caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate
# 由其它训练好的模型 fine-tune （参数：求解文件 其它训练好的模型参数）
-weights (Optional; the pretrained weights to initialize finetuning
可以使用预训练或者之前迭代过的参数，继续训练
caffe train -solver examples/finetuning_on_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel
蛮不错的，有助于理解的文章
https://zhuanlan.zhihu.com/p/24087905
没事可以多逛caffe中文社区
另外caffe除了上述命令行的形式，还提供了python和matlab的使用接口
下文预告：
如何使用matlab复现网络，如何使用.caffemodel文件
在此，感谢以下链接
基础知识补充
21天实战caffe 赵永科
有助于理解
https://zhuanlan.zhihu.com/p/24087905
有关prototxt、caffe wiki都在github上的wiki
https://github.com/BVLC/caffe/wiki
官方的说明参考，包括python、matlab接口使用
http://caffe.berkeleyvision.org/tutorial/interfaces.html