本文是基於薛開宇 《學習筆記3：基於自己的資料訓練和測試“caffeNet”》基礎上，從頭到尾把實驗跑了一遍~對該文中不清楚的地方做了更正和說明。

主要工作如下：

1、下載圖片建立資料庫

2、將圖片轉化為256*256的lmdb格式

3、計算影象均值

4、定義網路修改部分引數

1、下載圖片建立資料庫

在caffe-master/data 下新建一個屬於自己的資料庫命名為babyjia，並在該資料夾下建立 train 和 val 資料夾用於存放訓練集和驗證集的圖片：

我一共選取了100張訓練集圖片和20張驗證集圖片，分類如下：

訓練集：貓 50 張圖片  狗 50 張圖片

驗證集：貓 10 張圖片  狗 10 張圖片

由於訓練集的圖片較多，我在 train 資料夾下又增加了 dog  和  cat  資料夾

下圖為訓練集中狗類別的示例：

find -name *.jpeg |cut -d '/' -f 3-4>train.txt

find -name *.jpeg |cut -d '/' -f 3-4>val.txt

最終保證在 train.txt、val.txt 中儲存的是分別是 train 資料夾和 val 資料夾中的圖片的相對路徑。

train.txt 中的內容：

val.txt 中的內容：

然後把給兩個資料夾中的圖片手動儲存上標籤，0~999均可 ，這裡我們用1代指cat ，2代指dog 

同時我們建立 test.txt 檔案，令其內容和 val.txt 一樣，但是所有標籤均為0；

最後我們會在 caffe-master/data/babyjia 資料夾下得到 test.txt   train.txt  內容分別如下(val沒有列出來)：

2、將圖片轉化為256*256的lmdb格式

在 caffe-master

下的 create_imagenet.sh 拷貝到剛剛建立的 babyjia 檔案下，做相應路徑的修改：

需要修改的地方如下：

DATA=/home/babyjia/caffe-master/data/babyjia
TOOLS=/home/babyjia/caffe-master/build/tools
TRAIN_DATA_ROOT=/home/babyjia/caffe-master/data/babyjia/train/
VAL_DATA_ROOT=/home/babyjia/caffe-master/data/babyjia/val/
.....

RESIZE=false

...

GLOG_logtostderr=1 $TOOLS/convert_imageset\
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $TRAIN_DATA_ROOT \
    $DATA/train.txt \
    imagenet_train_leveldb 1


echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $VAL_DATA_ROOT \
    $DATA/val.txt \
    imagenet_val_leveldb 1

在執行下面的語句後：

./create_imagenet.sh

終端會顯示處理了100個訓練集的圖片和20個驗證集的圖片

3、計算影象均值

把caffe-master/examples/imagenet 資料夾下的make_imagenet_mean.sh檔案拷貝到caffe-master/babyjia檔案下

並做相應的修改

其中

$TOOLS/compute_image_mean.bin//路徑

imagenet_train_leveldb//要求取平均值的leveldb檔案的路徑

$DATA/imagenet_mean.binaryproto //要生成的binaryproto檔案的路徑

./make_imagenet_mean.sh

4、定義網路修改部分引數

“兩個prototxt檔案和一個sh檔案”

從caffe-master/models/bvlc_reference_caffenet資料夾下拷貝 train_val.prototxt 和solver.prototxt到caffe-master/babyjia資料夾下

從caffe-master/examples/imagenet 資料夾下拷貝 train_caffenet.sh 到caffe-master/babyjia資料夾下

對train_val.prototxt 作如下修改：

transform_param {
    mirror: true
    crop_size: 227
    mean_file: "/home/babyjia/caffe-master/data/babyjia/imagenet_mean.binaryproto"
  }

data_param {
    source: "/home/babyjia/caffe-master/babyjia/imagenet_train_leveldb"
    batch_size: 256
    backend: LMDB
  }

transform_param {
    mirror: false
    crop_size: 227
    mean_file: "/home/babyjia/caffe-master/data/babyjia/imagenet_mean.binaryproto"
  }

data_param {
    source: "/home/babyjia/caffe-master/babyjia/imagenet_val_leveldb"
    batch_size: 50
    backend: LMDB
  }

solver.prototxt 作如下修改：

test_iter: 1000 是指測試的批次，我們就 10 張照片，設定 10 就可以了。
test_interval: 1000 是指每 1000 次迭代測試一次，我們改成 500 次測試一次。
base_lr: 0.01 是基礎學習率，因為資料量小， 0.01 就會下降太快了，因此改成 0.001
lr_policy: "step"學習率變化
gamma: 0.1 學習率變化的比率
stepsize: 100000 每 100000 次迭代減少學習率
display: 20 每 20 層顯示一次
max_iter: 450000 最大迭代次數，
momentum: 0.9 學習的引數，不用變
weight_decay: 0.0005 學習的引數，不用變
snapshot: 10000 每迭代 10000 次顯示狀態，這裡改為 2000 次
solver_mode: CPU 末尾加一行，代表用 CPU 進行

train_caffenet.sh 作如下修改：

最後執行結果如下 :

參考資料：