1.資料準備

原文是用ImageNet1000類的資料庫，本文是自己模仿一個小的資料庫進行下去的，在caffe下新建一個myself資料夾，並在網上下載了訓練貓的圖片60張，測試貓10張，訓練狗的圖片60張，測試狗10張，如圖：

為了方便，對下載的圖片名進行修改，修改程式碼如下：

import os;
def rename():
    count=0;
    name="dog";
    path='/home/****/caffe/data/myself/train/dog';#your caffe 
    filelist=os.listdir(path)
    for files in filelist:
        olddir=os.path.join(path,files);
        if os.path.isdir(olddir):
            continue;
        filename=os.path.splitext(files)[0];
        filetype=os.path.splitext(files)[1];
        newdir=os.path.join(path,name+str(count)+filetype);
        os.rename(olddir, newdir);
        count+=1;
rename();
 

2.資料處理，生成文字train.txt，val.txt

A、利用指令（開啟終端cd caffe路徑下）：

find train/dog -name *.jpg |cut -d '/' -f2-3 >train.txt
 	  sed "s/$/ 2/" ./train.txt>./train1.txt

生成了狗的txt檔案，並在名稱後加了標籤2，隨後再用同樣的方法生成貓的txt檔案，最後將兩者混合再一起。如圖（train、test、val都是在myself資料夾下的）：

用同樣的指令生成val.txt，test.txt，test.txt是複製val.txt的，只是所有名稱後的標籤都是0。（注意不要將標籤弄錯）

B、接著是將圖片歸一統一大小（256*256），直接再終端利用指令：

for name in train/dog/*.jpg ; do  convert -resize 256x256\! $name $name; done

C、將圖片資料轉換為lmdb/leveldb

直接利用examples/imagenet/create_imagenet.sh進行生成：將指令碼複製到新建的myself資料夾中，改名為creat_myimagenet.sh,並將裡面的路勁修改成自己的路徑，如圖：

生成的lmdb名稱改為了：

D、計算影象均值

       資料集減去均值影象有利於提高分類的準確性

注意：要保證lmdb的名稱對應的是自己生成的，

           最終生成了二進位制均值檔案myimagenet_mean.binaryproto。

3.網路的定義

這裡直接利用caffe中定義好的模型，將models/bvlc_reference_caffenet/solver.prototxt 和train_val.prototxt兩個檔案複製到新建myself夾下，進行修改：

           其中solver.prototxt檔案：（可以將max_iter調小點後面的那個圖，500）

網路定義檔案train_val.prototxt：（修改四處路徑）

4.訓練模型

在examples/imagenet/train_caffenet.sh 複製到myself中，並修改路徑：

           隨後直接執行train_caffenet.sh（一共迭代4000次）,要保證loss的收斂，若loss狂增，要將基礎學習率調整的較低，這裡再solver.prototxt中調為0.001。模型訓練未採取GPU，故訓練了一晚上。最終結果如下：

（4000次）

（500次）

         分析：4000次的loss還是比較大的，準確率在60%左右，並不理想，這與選擇的資料集是有關係的。同時發現本文利用的是caffenet模型結構，那麼這個結構的最後一層的神經元是有1000個，用於1000分類的，而本實驗只有兩個分類，這需要對模型的最後一層進行微調才行，所謂的微調：就是將原本別人的（caffe團隊的模型）模型直接拿來，將其已將更新好的權重引數作為自己的初始化引數，接著用別人的網路模型結合自己的資料集進行訓練。所以要對模型定義的最後一層進行修改。