以下主要是摘抄denny博文的內容，更多內容大家去看原作者吧　　

一 數據準備

　　準備訓練集和測試集圖片的列表清單;

　　二 導入caffe庫，設定文件路徑

# -*- coding: utf-8 -*-

import caffe
from caffe import layers as L,params as P,proto,to_proto
#設定文件的保存路徑
root=‘/home/xxx/‘                           #根目錄
train_list=root+‘mnist/train/train.txt‘     #訓練圖片列表
test_list=root+‘mnist/test/test.txt‘        #測試圖片列表
train_proto=root+‘mnist/train.prototxt‘     #訓練配置文件
test_proto=root+‘mnist/test.prototxt‘       #測試配置文件
solver_proto=root+‘mnist/solver.prototxt‘   #參數文件
 

其中train.txt 和test.txt文件已經有了，其它三個文件，我們需要自己編寫。

此處註意：一般caffe程序都是先將圖片轉換成lmdb文件，但這樣做有點麻煩。因此我就不轉換了，我直接用原始圖片進行操作，所不同的就是直接用圖片操作，均值很難計算，因此可以不減均值。

　　三 生成配置文件

配置文件實際上就是一些txt文檔，只是後綴名是prototxt，我們可以直接到編輯器裏編寫，也可以用代碼生成。此處，我用python來生成。

#編寫一個函數，生成配置文件prototxt
def Lenet(img_list,batch_size,include_acc=False):
    #第一層，數據輸入層，以ImageData格式輸入
    data, label = L.ImageData(source=img_list, batch_size=batch_size, ntop=2,root_folder=root,
        transform_param=dict(scale= 0.00390625))
    #第二層：卷積層
    conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type=‘xavier‘))
    #池化層
    pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2)
    #卷積層
    conv2=L.Convolution(pool1, kernel_size=5, stride=1,num_output=50, pad=0,weight_filler=dict(type=‘xavier‘))
    #池化層
    pool2=L.Pooling(conv2, pool=P.Pooling.MAX, kernel_size=2, stride=2)
    #全連接層
    fc3=L.InnerProduct(pool2, num_output=500,weight_filler=dict(type=‘xavier‘))
    #激活函數層
    relu3=L.ReLU(fc3, in_place=True)
    #全連接層
    fc4 = L.InnerProduct(relu3, num_output=10,weight_filler=dict(type=‘xavier‘))
    #softmax層
    loss = L.SoftmaxWithLoss(fc4, label)
    
    if include_acc:             # test階段需要有accuracy層
        acc = L.Accuracy(fc4, label)
        return to_proto(loss, acc)
    else:
        return to_proto(loss)
    
def write_net():
    #寫入train.prototxt
    with open(train_proto, ‘w‘) as f:
        f.write(str(Lenet(train_list,batch_size=64)))

    #寫入test.prototxt    
    with open(test_proto, ‘w‘) as f:
        f.write(str(Lenet(test_list,batch_size=100, include_acc=True)))
 

配置文件裏面存放的，就是我們所說的network。我這裏生成的network，可能和原始的Lenet不太一樣，不過影響不大。

　　四 生成solver文件

同樣，可以在編輯器裏面直接書寫，也可以用代碼生成。

#編寫一個函數，生成參數文件
def gen_solver(solver_file,train_net,test_net):
    s=proto.caffe_pb2.SolverParameter()
    s.train_net =train_net
    s.test_net.append(test_net)
    s.test_interval = 938    #60000/64，測試間隔參數：訓練完一次所有的圖片，進行一次測試  
    s.test_iter.append(100)  #10000/100 測試叠代次數，需要叠代100次，才完成一次所有數據的測試
    s.max_iter = 9380       #10 epochs , 938*10，最大訓練次數
    s.base_lr = 0.01    #基礎學習率
    s.momentum = 0.9    #動量
    s.weight_decay = 5e-4  #權值衰減項
    s.lr_policy = ‘step‘   #學習率變化規則
    s.stepsize=3000         #學習率變化頻率
    s.gamma = 0.1          #學習率變化指數
    s.display = 20         #屏幕顯示間隔
    s.snapshot = 938       #保存caffemodel的間隔
    s.snapshot_prefix =root+‘mnist/lenet‘   #caffemodel前綴
    s.type =‘SGD‘         #優化算法
    s.solver_mode = proto.caffe_pb2.SolverParameter.GPU    #加速
    #寫入solver.prototxt
    with open(solver_file, ‘w‘) as f:
        f.write(str(s))
 

　　五 開始訓練模型

訓練過程中，也在不停的測試。

#開始訓練
def training(solver_proto):
    caffe.set_device(0)
    caffe.set_mode_gpu()
    solver = caffe.SGDSolver(solver_proto)
    solver.solve()

最後，調用以上的函數就可以了。

if __name__ == ‘__main__‘:
    write_net()
    gen_solver(solver_proto,train_proto,test_proto) 
    training(solver_proto)

　　六 完成的python文件

mnist.py

我將此文件放在根目錄下的mnist文件夾下，因此可用以下代碼執行

sudo python mnist/mnist.py

在訓練過程中，會保存一些caffemodel。多久保存一次，保存多少次，都可以在solver參數文件裏進行設置。

我設置為訓練10 epoch，9000多次，測試精度可以達到99%

caffe的python接口學習（4）mnist實例手寫數字識別