這一節的學習主要是通過手寫體數字識別例程來熟悉caffe的基本使用。

首先下載MNIST資料集

$ cd data/mnist
$ ./get_mnist.sh

下載到四個檔案
訓練集（圖片）train-images-idx3-ubyte
訓練集（標籤）train-labels-idx1-ubyte
測試集（圖片）t10k-images-idx3-ubyte
測試集（標籤）t10k-labels-idx1-ubyte

下載到的檔案為二進位制檔案，可以執行下面命令來把檔案轉換為caffe能識別的檔案（LEVELDB或LMDB）

$ ./examples/mnist/create_mnist.sh
 

LeNet-5 模型

點選launch editor
把.prototxt檔案複製進去，按shift+enter 就可以看到模型

LeNet-5的工作流程如下，輸入層是28*28的感知節點，接受原始影象。
第一層：卷積層，用20個5*5的卷積核進行特徵提取，提取出20個（28-5+1）*（28-5+1）的特徵圖送下層處理。
第二層：子取樣層，採用最大池化的方法來縮小資料規模，用2*2的輸入域，將4個數用一個最大的數來替代。
第三層：卷積層，同第一層一樣，只是這一層用了50個卷積核生成了50個特徵圖。
第四層：子取樣層，同第二層一樣。
第五層：全連線層，這一層共產生500個節點，它如同BP神經網路一樣，計算輸入向量和權重向量直接的點積，再加上一個偏置，然後將其傳遞給激勵函式（ReLU）計算。
第六層：全連線層，共有10個節點，分別代表數字0到9。

訓練超引數

$ ./examples/mnist/train_lenet.sh

訓練過程很長，我截取了部分

可以看到最後在10000次迭代後，準確度達到了99.18%
最終訓練模型儲存在 examples/mnist/lenet_iter_10000.caffemodel
訓練狀態儲存在examples/mnist/lenet_iter_10000.solverstate

最後利用訓練好的模型對資料進行預測

$ ./build/tools/caffe.bin test \
-model examples/mnist/lenet_train_test.prototxt \
-weights examples/mnist/lenet_iter_10000
 
.caffemodel \
-iterations 100