學習caffe的最終目的，是可以利用自己的資料集，訓練模型，並解決實際問題。

所以在前面跑通了mnist和cifar-10例程的基礎上，嘗試訓練自己的模型，從頭到尾走一遍所有的流程。準備資料、訓練並得到模型，利用模型進行分類預測。

一、準備資料

1、在網上找了一些圖片，分為五類，編號為0,1,2,3,4，每類訓練資料50張，測試資料20張。博主將所有的train圖片都放在了train資料夾下，編號為0-49,100-149,200-249,300-349,400-449，把所有的test圖片都放在了test資料夾下，編號為0-19,100-119,200-219,300-319,400-419。

2、得到train.txt和test.txt清單檔案。網上有很多方法，也可以自己用C++寫程式碼實現。部分清單如下所示：

3、將train.txt和test.txt放在 與 train和test資料夾同一目錄下。我的為：caffe-master\examples\myExample。

0.jpg 0
1.jpg 0
2.jpg 0
3.jpg 0
4.jpg 0
5.jpg 0
6.jpg 0
7.jpg 0
8.jpg 0
9.jpg 0
10.jpg 0
11.jpg 0
12.jpg 0
13.jpg 0
14.jpg 0
15.jpg 0
16.jpg 0
17.jpg 0
18.jpg 0
19.jpg 0
100.jpg 1
101.jpg 1
102.jpg 1

二、轉換為lmdb格式

1、安裝git客戶端，方便後面執行.sh檔案。  安裝教程

2、找到caffe-master\examples\imagenet目錄下的create_imagenet.sh檔案，並對其進行修改。

#!/usr/bin/env sh
# Create the imagenet lmdb inputs
# N.B. set the path to the imagenet train + val data dirs
set -e

#EXAMPLE=examples/imagenet
DATA=E:/NotFineshed/caffeWin10/caffe-master/examples/myExample
TOOLS=E:/NotFineshed/caffeWin10/caffe-master/Build/x64/Release

TRAIN_DATA_ROOT=E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/train/
VAL_DATA_ROOT=E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/test/

# Set RESIZE=true to resize the images to 256x256. Leave as false if images have
# already been resized using another tool.
RESIZE=true
if $RESIZE; then
  RESIZE_HEIGHT=256
  RESIZE_WIDTH=256
else
  RESIZE_HEIGHT=0
  RESIZE_WIDTH=0
fi

if [ ! -d "$TRAIN_DATA_ROOT" ]; then
  echo "Error: TRAIN_DATA_ROOT is not a path to a directory: $TRAIN_DATA_ROOT"
  echo "Set the TRAIN_DATA_ROOT variable in create_imagenet.sh to the path" \
       "where the ImageNet training data is stored."
  exit 1
fi

if [ ! -d "$VAL_DATA_ROOT" ]; then
  echo "Error: VAL_DATA_ROOT is not a path to a directory: $VAL_DATA_ROOT"
  echo "Set the VAL_DATA_ROOT variable in create_imagenet.sh to the path" \
       "where the ImageNet validation data is stored."
  exit 1
fi

echo "Creating train lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --backend=lmdb \
    --shuffle \
    $TRAIN_DATA_ROOT \
    $DATA/train.txt \
    $EXAMPLE/mydata_train_lmdb

echo "Creating val lmdb..."

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --backend=lmdb \
    --shuffle \
    $VAL_DATA_ROOT \
    $DATA/test.txt \
    $EXAMPLE/mydata_test_lmdb

echo "Done."
 

3、執行完成後，在git的檔案位置目錄下，得到兩個資料夾 madata_train_lmdb 和 mydata_test_lmdb

三、生成影象均值

1、修改make_imagenet_mean.sh檔案，如下所示

#!/usr/bin/env sh
# Compute the mean image from the imagenet training lmdb
# N.B. this is available in data/ilsvrc12

#EXAMPLE=examples/imagenet
DATA=E:/NotFineshed/caffeWin10/caffe-master/examples/myExample
TOOLS=E:/NotFineshed/caffeWin10/caffe-master/Build/x64/Release

$TOOLS/compute_image_mean.exe $DATA/mydata_train_lmdb $DATA/mydata_mean.binaryproto --backend=lmdb

echo "Done."

四、建立模型並編寫配置檔案

1、模型就用caffe自帶的caffenet模型，位置在 caffe-master\models\bvlc_reference_caffenet/資料夾下, 我們需要的三個檔案是solver.prototxt 和train_val.prototxt、deploy.prototxt。博主將train_val.prototxt改名為train_test.prototxt。

2、修改其中的solver.prototxt，如下所示

net: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/train_test.prototxt"
test_iter: 5
test_interval: 10
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 100
display: 20
max_iter: 1000
momentum: 0.9
weight_decay: 0.005
solver_mode: GPU
snapshot: 500
snapshot_prefix: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/minemodel"

    實際上就是修改兩個data layer的mean_file和source這兩個地方，其它都沒有變化 。

    然後修改全連線層fc8的輸出num，即分類數，我的為五類，所以改為5.

name: "CaffeNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/mydata_mean.binaryproto"
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: true
#  }
  data_param {
    source: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/mydata_train_lmdb"
    batch_size: 25
    backend: LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 227
    mean_file: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/mydata_mean.binaryproto"
  }
# mean pixel / channel-wise mean instead of mean image
#  transform_param {
#    crop_size: 227
#    mean_value: 104
#    mean_value: 117
#    mean_value: 123
#    mirror: false
#  }
  data_param {
    source: "E:/NotFineshed/caffeWin10/caffe-master/examples/myExample/mydata_test_lmdb"
    batch_size: 20
    backend: LMDB
  }
}

4、修改deploy.prototxt檔案

 同樣的修改num_output為5（5個類別）。

1、在caffe-master目錄下，新建train-my-caffe-model.txt，並輸新增以下程式碼，新增完成後，再將字尾名改為.bat

Build\x64\Release\caffe.exe train --solver=examples/myExample/solver.prototxt
pause

另一種方式：新建一個train-my-caffe-model.sh檔案，新增一下程式碼，用git執行也可以的。

DATA=E:/NotFineshed/caffeWin10/caffe-master/examples/myExample
TOOLS=E:/NotFineshed/caffeWin10/caffe-master/Build/x64/Release
$TOOLS/caffe.exe train --solver=$DATA/solver.prototxt
read -p "press Enter to continue"

2、雙擊.bat檔案，即可開始訓練。

六、各種報錯及解決辦法

1、F0108 11:44:23.991556  8376 db_lmdb.hpp:15] Check failed: mdb_status == 0 (3 vs. 0) 系統找不到指定的路徑。

2、F0108 13:05:50.865810  9376 syncedmem.cpp:56] Check failed: error == cudaSuccess (2 vs. 0)  out of memory

解決辦法：GPU視訊記憶體不夠，修改batch_size的值，改為25

七、結果

如下圖所示。

感覺訓練的結果不夠滿意啊，接下來，需要了解模型網路引數，修改引數以得到更好的訓練結果。

八、輸入單張圖片，進行分類預測

1、新建.sh檔案，輸入以下程式碼即可，然後用git執行

#EXAMPLE=examples/imagenet
DATA=E:/NotFineshed/caffeWin10/caffe-master/examples/myExample
TOOLS=E:/NotFineshed/caffeWin10/caffe-master/Build/x64/Release

$TOOLS/classification.exe $DATA/deploy.prototxt $DATA/minemodel_iter_1000.caffemodel $DATA/mydata_mean.binaryproto $DATA/synset_words.txt $DATA/1.jpg
read -p "press Enter to continue"