Caffe的運行mnist手寫數字識別
老規矩，首先附上官方教程：http://caffe.berkeleyvision.org/gathered/examples/mnist.html
1、必要軟件
因為Caffe中使用的是Linux才能運行的shell腳本，因此首先的安裝 wget（將wget放入C:\windows\system32）和 Git 方能運行。
2、而後按照官方教程，首先進入caffe路徑的根目錄，而後打開cmd輸入命令：
./data/mnist/get_mnist.sh
這個命令是通過打開/data/mnist目錄下的get_mnist.sh腳本來下載mnist的數據，若cmd出現錯誤可以直接進入打開get_mnist.sh腳本效果是一樣的，運行完成後會出現如下4個數據文件：
而後繼續輸入以下命令，或者進入路徑打開也一樣
./examples/mnist/create_mnist.sh
若不存在該文件可以自己創建一個create_mnist.sh，具體的代碼如下（註：第九行BUILD可能老版本的路徑會不一樣，根據自己路徑來修改）：
#!/usr/bin/env sh
# This script converts the mnist data into lmdb/leveldb format,
# depending on the value assigned to $BACKEND.
set -e
EXAMPLE=.
DATA=../../data/mnist
BUILD=../../scripts/build/examples/mnist/Release
BACKEND="lmdb"
echo "Creating ${BACKEND}..."
rm -rf $EXAMPLE/mnist_train_${BACKEND}
rm -rf $EXAMPLE/mnist_test_${BACKEND}
$BUILD/convert_mnist_data.exe $DATA/train-images-idx3-ubyte $DATA/train-labels-idx1-ubyte $EXAMPLE/mnist_train_${BACKEND} --backend=${BACKEND}
$BUILD/convert_mnist_data.exe $DATA/t10k-images-idx3-ubyte $DATA/t10k-labels-idx1-ubyte $EXAMPLE/mnist_test_${BACKEND} --backend=${BACKEND}
echo "Done."
read -p "回車繼續..."
運行完成後會出現mnist_test_lmdb和mnist_train_lmdb兩個文件夾：
cmd顯示：
3、打開路徑/scripts/build/examples/mnist/Release下的lenet_solver.prototxt（不同版本的caffe的路徑不一樣，有些老版本的caffe的路徑為：/Build/x64/Release），根據自己的情況修改參數：
第二行：若lenet_train_test.prototxt和lenet_solver.prototxt不在同一路徑下，則需要在其之前寫上lenet_train_test.prototxt所在的路徑
第23行：snapshot_prefix：生成的model為產生的訓練模型，可根據自己來修改路徑
最後一行為選擇安裝的caffe是CPU還是GPU，我這裏安裝的是GPU版本
註意：不要直接將文件路徑復制過去，因為在這裏面路徑分隔符是／ ，而不是＼，如果使用＼後面運行時會出現以下錯誤（下面幾步同樣如此，如果不確定就照著我的寫）：
修改參數後的結果：
# The train/test net protocol buffer definition net: "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: "E:/CaffeSource/caffe/data/mnist/model" # solver mode: CPU or GPU solver_mode: GPU
４、打開lenet_train_test.prototxt（上面第二行那個文件）
而後更改上圖路徑，這兩個文件是執行./data/mnist/get_mnist.sh命令時下載的文件，將其路徑添加進去
５、在目錄\examples\mnist下新建一個train_lenet.txt文檔，添加下面一段，然後改後綴名為.bat
..\..\Build\x64\Release\caffe.exe train --solver="lenet_solver.prototxt" --gpu 0 pause
或者在該目錄下修改train_lenet.sh文件：
#!/usr/bin/env sh set -e BUILD=../../Build/x64/Release/ echo "Training lenet_solver.prototxt..." $BUILD/caffe.exe train --solver=lenet_solver.prototxt $@ echo "Done." read -p "回車繼續..."
６、運行該文件，大概運行幾分鐘後結果如下：
若沒有報錯，則測試就算大功告成啦！
可以看出準確度為９９％，訓練好的模型保存在 lenet_iter_10000.caffemodel， 訓練狀態保存在lenet_iter_10000.solverstate裏，結果如下：
Caffe的運行mnist手寫數字識別