windows+caffe(五)——实例2MNIST图片

1. 数据集

MNIST手写体数据.bmp图片：训练集60K张28*28的，测试集10K张28*28的；

训练集：

windows+caffe(五)——实例2MNIST图片

测试集：

windows+caffe(五)——实例2MNIST图片

下载地址：

2. 读取图片名称与标签，保存到trainlist.txt与testlist.txt

matlab代码：

（1）读取train

改为自己的数据url

clc

%% 读取文件夹里的图片名称，且将图片名保存到txt
file_path = 'D:deeptoolscaffe-windows-masterdatamnisttrain-images';
img_path_list = dir(strcat(file_path,'*.bmp'));
img_num = length(img_path_list);
 fp = fopen('train.txt','wt');
if img_num > 0 %有满足条件的图像
        for j = 1:img_num %逐一读取图像
            image_name = img_path_list(j).name;% 图像名
           
            fprintf(fp,'%s %dn',image_name,str2num(image_name(1)));
%             csvwrite('train.txt',image_name)

%             image =  imread(strcat(file_path,image_name));
%             fprintf('%d %d %sn',i,j,strcat(file_path,image_name));% 显示正在处理的图像名
            %图像处理过程 省略
        end
end

结果（部分）是：

windows+caffe(五)——实例2MNIST图片

（2）val代码

改为自己的test数据URL；

clc

%% 读取文件夹里的图片名称，且将图片名保存到txt
file_path = 'D:deeptoolscaffe-windows-masterdatamnistt10k-images';
img_path_list = dir(strcat(file_path,'*.bmp'));
img_num = length(img_path_list);
 fp = fopen('test.txt','wt');
if img_num > 0 %有满足条件的图像
        for j = 1:img_num %逐一读取图像
            image_name = img_path_list(j).name;% 图像名
           
            fprintf(fp,'%s %dn',image_name,str2num(image_name(1)));
%             csvwrite('train.txt',image_name)

%             image =  imread(strcat(file_path,image_name));
%             fprintf('%d %d %sn',i,j,strcat(file_path,image_name));% 显示正在处理的图像名
            %图像处理过程 省略
        end
end

　　部分结果为：

windows+caffe(五)——实例2MNIST图片

（3） test代码

改为自己的test数据URL；

clc

%% 读取文件夹里的图片名称，且将图片名保存到txt
file_path = 'D:deeptoolscaffe-windows-masterdatamnistt10k-images';
img_path_list = dir(strcat(file_path,'*.bmp'));
img_num = length(img_path_list);
 fp = fopen('test.txt','wt');
if img_num > 0 %有满足条件的图像
        for j = 1:img_num %逐一读取图像
            image_name = img_path_list(j).name;% 图像名
           
            fprintf(fp,'%sn',image_name);
%             csvwrite('train.txt',image_name)

%             image =  imread(strcat(file_path,image_name));
%             fprintf('%d %d %sn',i,j,strcat(file_path,image_name));% 显示正在处理的图像名
            %图像处理过程 省略
        end
end

结果为：

windows+caffe(五)——实例2MNIST图片

3. 现在将数据转变为lmdb格式储存

（1）我们新建一个train_lmdb文件夹（反正是如果我不事先建立这个文件夹就会出错，如下图）

windows+caffe(五)——实例2MNIST图片

和一个convert.bat文件，里面写入

D:/deeptools/caffe-windows-master/bin/convert_imageset.exe --shuffle D:/deeptools/caffe-windows-master/data/mnist/train-images/ D:/deeptools/caffe-windows-master/examples/mymnist/train.txt D:/deeptools/caffe-windows-master/examples/mymnist/train_lmdb
pause

我们使用了--shuffle:意思是随机打乱图片顺序

结果是在新建的train_lmdb文件夹里新生成了这两个文件：

windows+caffe(五)——实例2MNIST图片

为了确定你成功了，最好看一下生成的log文件夹里以INF开头的看看里面的图片总数是不是你的图片数量。

windows+caffe(五)——实例2MNIST图片

（2）同上一样得到val_lmdb

4.求得均值——

图片减去均值后，再进行训练和测试，会提高速度和精度。因此，一般在各种模型中都会有这个操作。

那么这个均值怎么来的呢，实际上就是计算所有训练样本的平均值，计算出来后，保存为一个均值文件，在以后的测试中，就可以直接使用这个均值来相减，而不需要对测试图片重新计算。

新建ComputeImageMean.bat，里面输入

D:/deeptools/caffe-windows-master/bin/compute_image_mean.exe D:/deeptools/caffe-windows-master/examples/mymnist/train_lmdb D:/deeptools/caffe-windows-master/examples/mymnist/mean.binaryproto 
pause

结果：

windows+caffe(五)——实例2MNIST图片