接著上一篇博文：製作自己的資料集
在製作好我們自己的LMDB格式的資料集後，我們就可以依照前面mnist的例程來對LeNet模型進行訓練啦，有木有很激動(≧▽≦)/ （雖然現在對模型而是一片懵懂）
簡單的說下步驟：

1. 從caffe root/exmples/mnist資料夾中複製過來我需要的solver.prototxt和train_test.prototxt檔案，將其重新命名為my_solver.prototxt my_train_test.prototxt檔案，並修改其中需要修改的引數
2. 進行訓練

1 solver.prototxt和train_test.prototxt檔案，修改其中的引數

先看下train_test.prototxt檔案，這個檔案是LeNet的模型配置檔案，裡面有輸入層、卷積層、池化層和全連層的定義，在這裡我們只需要對輸入層中的兩個位置進行修改。

還有一個問題就是，在輸出的時候，由於LeNet是對10個字元進行輸出的，也就是10類，這裡我分的是3類，不知道不修改的有沒有影響，和群裡的同學交流也說碰到了這種情況，但是好像不影響。此處是個問題，還得繼續研究

name: "LeNet"
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  
 
}
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "myfile/build_lmdb/train_lmdb"  //需要修改路徑
    batch_size: 64
    backend: LMDB
  }
}
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    scale: 0.00390625
  }
  data_param
 
 {
    source: "myfile/build_lmdb/val_lmdb"  //需要修改路徑
    batch_size: 100
    backend: LMDB
  }
}

再看下solver.prototxt檔案,其中：
1. net的路徑需要修改為自己的
2. snapshot_prefix的路徑是生成的模型放在哪裡
3. solver_mode: CPU 選擇CPU模式
4. 其餘的就根據自己的需要調整引數

# The train/test net protocol buffer definition
net: "myfile/build_lmdb/my_train_test.prototxt"
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 2
# Carry out testing every 500 training iterations.
test_interval: 5
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy
lr_policy: "inv"
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 2
# The maximum number of iterations
max_iter: 80
# snapshot intermediate results
snapshot: 150
snapshot_prefix: "myfile/build_lmdb/"
# solver mode: CPU or GPU
solver_mode: CPU

使用下面的train_mynet.sh檔案來訓練LeNet模型，將其中的 –solver後面改成自己的路徑

#!/usr/bin/env sh
set -e

./build/tools/caffe train --solver=myfile/build_lmdb/my_solver.prototxt [email protected]

2 進行訓練

在Linux終端下輸入下面的程式碼進行訓練

CD caffe

./examples/mnist/train_mynet.sh 

可以看到在40次的時候，accuracy就為1了，網路應該是訓練成功了，但是此時訓練的模型可能並不是最好的，因為還有過擬合，樣本小的影響等

接下來就是要對訓練好的模型，進行使用，下次接著實驗，先吃飯～