61232 
收藏 55学习的caffe的目的，不是简单的做几个练习，而是最终落实到自己的项目或科研中去。因此，本文介绍一下，从自己的原始图片到lmdb数据，再到训练和测试的整个流程。
一、数据的准备
有条件的同学，可以去ImageNet的官网点击打开链接，下载ImageNet图片来训练。但是我没有下载，因为我注册过程中一直出现bug。
也可以去这个网盘（点击打开链接）下载图像数据，包括手写数字.jpg，手写数字.csv，人脸检测正负样本224*224，image.zip，.CASIA-WebFace.zip
我重新找了500张图片来代替，分为大巴车、恐龙、大象、鲜花和马五个类，每个类100张。需要的同学，可以去这个网盘下载点击打开链接。
编号分别以3，4，5，6，7开头，各为一类。我从其中每类选出20张作为测试，其余80张作为训练。因此最终训练图片400张，测试图片100张，共5类。我将图片放在caffe-master根目录下的data文件下。即训练图片目录：data/re/train/，测试图片目录：data/re/test/
二、转换为lmdb格式
首先在examples下面创建一个myfile的文件夹，来用存放配置文件和脚本文件。然后编写一个脚本create_filelist.sh，用来生成train.txt和test.txt清单文件
#sudo mkdir examples/myfile
#sudo vi examples/myfile/create_filelist.sh
编辑create_filelist.sh文件，并写入如下代码，并保存
#!/usr/bin/env sh
DATA=data/re/
MY=examples/myfile
echo "Create train.txt..."
rm -rf $MY/train.txt
for i in 3 4 5 6 7
do
find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt
done
echo "Create test.txt..."
rm -rf $MY/test.txt
for i in 3 4 5 6 7
do
find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"
注： 这个脚本文件中，用到了rm,find,cut,sed,cat等linux命令
rm：删除文件
find：寻找文件
cut ：截取路径
sed：在每行的最后面加上标注。本例中将找到的“i*.jpg”文件加入标注为i，比如“3*.jpg”标注为3
cat：将两个类别合并在一个文件里。
然后，运行此脚本
#sudo sh examples/myfile/create_filelist.sh
成功的话，就会在examples/myfile/文件下生成train.txt和test.txt两个文本文件，里面就是图片的列表清单
打开train.txt可以看到如下内容，同样test.txt文件里面的内容也是如此，二者仅数量不同。
注：在此处，我们手动的通过查找替换功能，将train.txt文件和test.txt文件里面的图片编号依次由3,4,5，6,7改为0,1,2,3,4。之所以要改编号的原因是，编号从3~7会影响训练精度。修改完后，train.txt内容如下图所示
;
由于上述生成的train.txt文件和test.txt文件是加权限文件，因此需要修改权限，以方面修改。Linux命令为：chmod a+w examples/myfile/train.txt
接着再编写一个脚本文件，调用convert_imageset命令来转换数据格式
#sudo vi examples/myfile/create_lmdb.sh
插入：
#!/usr/bin/env sh
MY=examples/myfile
echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
build/tools/convert_imageset
--shuffle
--resize_height=256
--resize_width=256
/home/xxx/caffe/data/re/
$MY/train.txt
$MY/img_train_lmdb
echo "Create test lmdb.."
rm -rf $MY/img_test_lmdb
build/tools/convert_imageset
--shuffle
--resize_width=256
--resize_height=256
/home/xxx/caffe/data/re/
$MY/test.txt
$MY/img_test_lmdb
echo "All Done.."
注：代码中的shuffle为，打乱图片顺序。/home/xxx/caffe/data/re为下载的图像数据保存的绝对路径。
最后，运行这个脚本
#sudo sh examples/myfile/create_lmdb.sh
三、计算均值并保存
图片减去均值再训练，会提高训练速度和精度。因此，一般都会有这个操作。
caffe程序提供了一个计算均值的文件compute_image_mean.cpp，我们直接使用就可以了
#sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto
compute_image_mean带两个参数，第一个参数时lmdb训练数据位置，第二个参数设定均值文件的名字及保存路径。
运行成功后，如下图所示
四、创建模型并编写配置文件
模型就用程序自带的caffenet模型，位置在models/bvlc_reference_caffenet/文件夹下，将需要的两个配置文件，复制到myfile文件夹内
#sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/
#sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/
修改其中的solver.prototxt
#sudo vi examples/myfile/solver.prototxt
输入以下内容：
net: "examples/myfile/train_val.prototxt"
test_iter: 2
test_interval: 50
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 500
momentum: 0.9
weight_decay: 0.005
solver_mode: GPU
注：电脑没有GPU的同学，solver_mode:CPU
100个测试数据，batch_size为50，因此test_iter设置为2，就能全覆盖了。在训练过程中，调整学习率，逐步变小。
修改train_val.prototxt,只需要修改两个阶段的data层就可以了，其他可以不用管。
name: "CaffeNet"
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 227
mean_file: "examples/myfile/mean.binaryproto"
}
data_param {
source: "examples/myfile/img_train_lmdb"
batch_size: 256
backend: LMDB
}
}
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mirror: false
crop_size: 227
mean_file: "examples/myfile/mean.binaryproto"
}
data_param {
source: "examples/myfile/img_test_lmdb"
batch_size: 50
backend: LMDB
}
}
实际上就是修改两个data layer的mean_file和source这两个地方，其他都没有变化。
五、训练
如果前面都没有问题，数据准备好了，配置文件也配置好了，这一步就比较简单了。
#sudo build/tools/caffe train -solver examples/myfile/solver.prototxt
运行时间和最后的精度，会根据机器配置，参数设置的不同而不同。我的机器运行500次，大约15分钟左右，精度为95%。如下图所示：
注：运行时，可能会出现以下问题
原因：由图可以看出，出现问题的上面一行提示loading mean file from:data/ilsvrc12/imagenet_mean.binaryproto，说明载入均值文件时，路径出现问题。
解决方法：因为训练时，我们用到两个脚本文件solver.prototxt和train_val.prototxt文件。所以首先，我们查看solver.prototxt文件，看看第一句net:"examples/myfile/train_val.prototxt"里面的地址对不对（本文的问题就出在这里，it works after fixed.）.如果还没有解决，继续查看train_val.prototxt文件里面的data路径，建议都写成绝对路径。毕竟caffe里面大部分问题都是由路径不对引起的。
该类问题还可以参考以下博客解决http://blog.csdn.net/dongfang1984/article/details/53259297