使用caffe训练mnist数据集 - caffe教程实战（一）

个人认为学习一个陌生的框架，最好从例子开始，所以我们也从一个例子开始。

学习本教程之前，你需要首先对卷积神经网络算法原理有些了解，而且安装好了caffe

卷积神经网络原理参考：http://cs231n.stanford.edu/syllabus.html

Ubuntu安装caffe教程参考：http://caffe.berkeleyvision.org/install_apt.html

先讲解一下caffe设计的架构吧：

使用caffe训练mnist数据集 - caffe教程实战（一）

训练mnist数据集使用 build/tools/caffe

训练步骤：

准备数据：

cd $CAFFE_ROOT   //安装caffe的根目录

./data/mnist/get_mnist.sh  //下载mnist数据集

./examples/mnist/create_mnist.sh   //将图片转为lmdb数据格式

定义网络模型：

　　首先定义数据层：　

　　layer {
  　　name: "mnist"  //名字可以随便写 字符串类型
  　　type: "Data"　　//类型 必须是 Data 字符串类型
  　　transform_param {
    　　scale: 0.00390625
  　　}
  　　data_param {
    　　source: "mnist_train_lmdb"
    　　backend: LMDB
    　　batch_size: 64
  　　}
  　　top: "data"
  　　top: "label"
　　}

　　定义卷基层：

　　layer {
  　　name: "conv1"
  　　type: "Convolution"
  　　param { lr_mult: 1 } #定义w参数的学习率
  　　param { lr_mult: 2 } #定义b参数的学习率
  　　convolution_param {
    　　num_output: 20    #定义输出map数量
    　　kernel_size: 5
    　　stride: 1
    　　weight_filler {
      　　type: "xavier"
    　　}
    　　bias_filler {
      　　type: "constant"
    　　}
  　　}
  　　bottom: "data"
  　　top: "conv1"
　　}
定义pool层：

　　layer {
  　　name: "pool1"
  　　type: "Pooling"
 　　 pooling_param {
    　　kernel_size: 2
   　　 stride: 2
   　　 pool: MAX
 　　 }
  　　bottom: "conv1"
  　　top: "pool1"
　　}
 定义全连接层：

　　layer {
　　  name: "ip1"
 　　 type: "InnerProduct"
 　　 param { lr_mult: 1 }
 　　 param { lr_mult: 2 }
  　　inner_product_param {
   　　 num_output: 500
   　　 weight_filler {
     　　 type: "xavier"
   　　 }
   　　 bias_filler {
   　　   type: "constant"
   　　 }
 　　 }
 　　 bottom: "pool2"
 　　 top: "ip1"
　　}
　　定义relu层：

　　layer {
　　  name: "relu1"
　　  type: "ReLU"
 　　 bottom: "ip1"
 　　 top: "ip1"
　　}
  再定义一个全连接层： 注意这里的输出为 分类的个数　　layer {

　　  name: "ip2"
  　　type: "InnerProduct"
 　　 param { lr_mult: 1 }
  　　param { lr_mult: 2 }
  　　inner_product_param {
   　　 num_output: 10    #表示有10个类别 从0-9个数字
   　　 weight_filler {
      　　type: "xavier"
   　　 }
    　　bias_filler {
    　　  type: "constant"
   　　 }
 　　 }
  　　bottom: "ip1"
  　　top: "ip2"
　　}

　　最后定义 损失函数

　　layer {
 　　 name: "loss"
  　　type: "SoftmaxWithLoss"
  　　bottom: "ip2"
 　　 bottom: "label"
　　}
定义好网络模型后，需要定义 模型训练的策略， solver

# The train/test net protocol buffer definition
net: "examples/mnist/lenet_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: 100   
# Carry out testing every 500 training iterations.
test_interval: 500
# 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: 100
# The maximum number of iterations
max_iter: 10000
# snapshot intermediate results
snapshot: 5000   
snapshot_prefix: "examples/mnist/lenet"
# solver mode: CPU or GPU
solver_mode: GPU  #使用gpu进行训练


开始训练网络：

cd $CAFFE_ROOT
./examples/mnist/train_lenet.sh

你会看到类似下面的输出：

I1203 net.cpp:66] Creating Layer conv1
I1203 net.cpp:76] conv1 <- data
I1203 net.cpp:101] conv1 -> conv1
I1203 net.cpp:116] Top shape: 20 24 24
I1203 net.cpp:127] conv1 needs backward computation.
。。。。。

I1203 net.cpp:142] Network initialization done.
I1203 solver.cpp:36] Solver scaffolding done.
I1203 solver.cpp:44] Solving LeNet
。。。。。

I1203 solver.cpp:84] Testing net
I1203 solver.cpp:111] Test score #0: 0.9897
I1203 solver.cpp:111] Test score #1: 0.0324599
I1203 solver.cpp:126] Snapshotting to lenet_iter_10000
I1203 solver.cpp:133] Snapshotting solver state to lenet_iter_10000.solverstate
I1203 solver.cpp:78] Optimization Done.
结束

运行结构图：