為了程式的簡潔，在caffe中是不帶練習資料的，因此需要自己去下載。但在caffe根目錄下的data資料夾裡，作者已經為我們編寫好了下載資料的指令碼檔案，我們只需要聯網，執行這些指令碼檔案就行了。

注意：在caffe中執行所有程式，都必須在根目錄下進行，即/caffe，否則會出錯,因為指令碼檔案對應的目錄是caffe的根目錄。

1、mnist例項

mnist是一個手寫數字庫，由DL大牛Yan LeCun進行維護。mnist最初用於支票上的手寫數字識別, 現在成了DL的入門練習庫。徵對mnist識別的專門模型是Lenet，算是最早的cnn模型了。

mnist資料訓練樣本為60000張，測試樣本為10000張，每個樣本為28*28大小的黑白圖片，手寫數字為0-9，因此分為10類。

首先下載mnist資料，假設當前路徑為caffe根目錄

# sh data/mnist/get_mnist.sh

執行成功後，在 data/mnist/目錄下有四個檔案：

train-images-idx3-ubyte:  訓練集樣本 (9912422 bytes) 
train-labels-idx1-ubyte:  訓練集對應標註 (28881 bytes) 
t10k-images-idx3-ubyte:   測試集圖片 (1648877 bytes) 
t10k-labels-idx1-ubyte:   測試集對應標註 (4542 bytes)

這些資料不能在caffe中直接使用，需要轉換成LMDB資料

# sh examples/mnist/create_mnist.sh

如果想執行leveldb資料，請執行 examples/siamese/ 資料夾下面的程式。 examples/mnist/ 資料夾是執行lmdb資料

轉換成功後，會在 examples/mnist/目錄下，生成兩個資料夾，分別是mnist_train_lmdb和mnist_test_lmdb，裡面存放的data.mdb和lock.mdb，就是我們需要的執行資料。

接下來是修改配置檔案，如果你有GPU且已經完全安裝好，這一步可以省略，如果沒有，則需要修改solver配置檔案。

需要的配置檔案有兩個，一個是lenet_solver.prototxt，另一個是train_lenet.prototxt.

首先開啟lenet_solver_prototxt

# vi examples/mnist/lenet_solver.prototxt

根據需要，在max_iter處設定最大迭代次數，以及決定最後一行solver_mode,是否要改成CPU

儲存退出後，就可以執行這個例子了

# time sh examples/mnist/train_lenet.sh

CPU執行時候大約13分鐘，GPU執行時間大約4分鐘，GPU+cudnn執行時候大約40秒，精度都為99%左右。

加上time引數統計整個執行時間，可以看到這臺機器用了33秒。

2、cifar10例項

cifar10資料訓練樣本50000張，測試樣本10000張，每張為32*32的彩色三通道圖片，共分為10類。

下載資料：

# sh data/cifar10/get_cifar10.sh

執行成功後，會在 data/cifar10/資料夾下生成一堆bin檔案

轉換資料格式為lmdb：

# sh examples/cifar10/create_cifar10.sh

轉換成功後，會在 examples/cifar10/資料夾下生成兩個資料夾，cifar10_train_lmdb和cifar10_test_lmdb, 裡面的檔案就是我們需要的檔案。

為了節省時間，我們進行快速訓練（train_quick)，訓練分為兩個階段，第一個階段（迭代4000次）呼叫配置檔案cifar10_quick_solver.prototxt, 學習率（base_lr)為0.001

第二階段（迭代1000次）呼叫配置檔案cifar10_quick_solver_lr1.prototxt, 學習率(base_lr)為0.0001

前後兩個配置檔案就是學習率(base_lr)和最大迭代次數（max_iter)不一樣，其它都是一樣。如果你對配置檔案比較熟悉以後，實際上是可以將兩個配置檔案合二為一的，設定lr_policy為multistep就可以了。

base_lr: 0.001
momentum: 0.9
weight_decay: 0.004
lr_policy: "multistep"
gamma: 0.1
stepvalue: 4000
stepvalue: 5000

執行例子：

# time sh examples/cifar10/train_quick.sh

GPU+cudnn大約43秒左右，精度76%左右。