一、資料集準備

到官網中下載cifar10資料集，如果使用的是c++，那麼下載.bin檔案。資料集介紹已經很詳細了。cifar10資料集官網下載 
下載並解壓，看到共有6個.bin檔案，前面五個是訓練集，最後一個是測試集。下載地址為http://www.cs.toronto.edu/~kriz/cifar.html

二、將資料集轉成leveldb格式
用vs2015開啟專案工程。有一個project是convert_cifar_data。編譯這個project，之後會在F:\caffe-windows\caffe-windows\scripts\build\examples\cifar10\Release資料夾下找到convert_cifar_data.exe。 新建兩個資料夾，分別命名為input_folder,output_folder。input_folder中放入第一階段準備好的cifar10資料。output_folder為轉換資料之後儲存位置。

這裡將資料集轉成了leveldb格式。 

三、計算資料的均值檔案

在F:\caffe-windows\caffe-windows\scripts\build\tools\Release中找到compute_image_mean.exe。執行以下cmd命令，生成了mean.binaryproto檔案。這個檔案即為均值檔案。

四、訓練cifar10資料集

在examples/cifar10/資料夾中，找到cifar10_quick_trian_test.prototxt。 
修改裡面的mean_file和source的路徑。backend一律改為LEVELDB。 

上述命令執行完畢後會生成cifar10_quick_iter_4000.caffemodel以及cifar10_quick_iter_4000.solverstate兩個檔案，其中cifar10_quick_iter_4000.solverstate將在進一步的訓練中使用到，而cifar10_quick_iter_4000.caffemodel.h5模型權值檔案可用於資料集的測試（此處可不用，因為還有下面更深層的訓練，會生成更深層的模型權值檔案cifar10_quick_iter_5000.caffemodel.h5）。

五、測試cifar10資料集

六、進一步訓練

七、進一步測試

根據測試結果，可以看出，採用cifar10_quick_iter_5000.caffemodel.h5模型權值檔案進行預測時，準確率大於採用cifar10_quick_iter_4000.caffemodel.h5模型權值檔案進行預測時的準確率，說明訓練樣本的多少與訓練出來的模型還是有很大關係，這一點非常好理解，學得越多懂得也就越多，碰到新問題解決問題的能力就越強，與人一樣。

參考部落格：https://www.cnblogs.com/tiansha/p/6458366.html

                  https://blog.csdn.net/hyqsong/article/details/51713444

https://blog.csdn.net/malvas/article/details/84068173     ssd模型參考