代码先锋网 代码片段及技术文章聚合

首先，贴参考：caffe_root\caffe-master\examples\imagenet, (这是windows下的脚本运行,用于训练建模)
caffe_root\caffe-master\examples\cpp_classification\classification.cpp(用于分类)
所使用的顺序是1.create_imagenet.sh(将图片转成lmdb格式，并统一大小) 。2.make_imagenet_mean.sh(生成均值文件)。3.train_caffenet.sh(训练网络)。4.classification.cpp(对图片进行分类)

1.图片格式转换

Caffe是用训练集和交叉验证集进行建模，最后使用测试集测试。
1.TrainSet 2.CrossValidate Set(val) 3.TestSet (最好将不同的种类的这三个文件分开)，网上百度点数据即可。这步是将图片转换成LMDB格式，首先看create_imagenet.sh，它其实就是一个命令：

$TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $TRAIN_DATA_ROOT \
    $DATA/Train.txt \
    $EXAMPLE/ilsvrc12_train_lmdb

convert_imageset在 caffeBuilder/Build/x64/Release/ (当然这需要你编译过Caffe，并且选择x64和Release)，所以修改上面的环境变量TOOLS为caffeBuilder/Build/x64/Release/(路径没写全，因为每个人的不一样，我写的是绝对路径)，resize_height将图片处理后的高度像素，同理resize_width，shuffle为打乱图片顺序，TRAIN_DATA_ROOT为存放的训练集的路径，Train.txt是图片+标签，$EXAMPLE/ilsvrc12_train_lmdb为输出路径，随意填写路径。
发现没有Train.txt。使$DATA加上Train.txt里面的每一行都可以指定一张图片，后面再加标签即可，为了方便，之前将每类都分开存放，这是就可以用cmd打开Train，输入：

dir /s /on /b > $DATA/***Train.txt

$DATA，***Train.txt按自己情况进行替换,之后使用notepad等打开，加入标签，然后将每一类的TrainSet，以及Train.txt放在一起，就是我们要输入的数据和不同种类(标签)。之后，将CrossValidate Set也进行数据和文本的准备，在create_imagenet.sh中的

GLOG_logtostderr=1 $TOOLS/convert_imageset \
    --resize_height=$RESIZE_HEIGHT \
    --resize_width=$RESIZE_WIDTH \
    --shuffle \
    $VAL_DATA_ROOT \
    $DATA/Val.txt \
    $EXAMPLE/ilsvrc12_val_lmdb

就是对交叉验证集的转换。
Tips:如果使用脚本运行，那么路径上不能有中文。

2.图片均值化

打开make_imagenet_mean.sh，只对TrainSet进行均值化

$TOOLS/compute_image_mean $EXAMPLE/ilsvrc12_train_lmdb \
  $DATA/imagenet_mean.binaryproto

$TOOLS 路径相同，ilsvrc12_train_lmdb 就是生成的lmdb文件，写好路径。imagenet_mean.binaryproto为输出的文件，随意写，后缀不变就行。

3.建模训练

打开train_caffenet.sh

./build/tools/caffe train \
    --solver=models/bvlc_reference_caffenet/solver.prototxt

caffe就是caffe.exe，编译过caffe的都有，solver.prototxt就参考Caffe\caffe-master\examples\mnist\lenet_solver.prototxt吧，上面都有很详细的英文解释，可以根据自己的需要改，第二行

net: "examples/mnist/lenet_train_test.prototxt"

改成自己写的prototxt，我们也直接使用它的lenet_train_test.prototxt，这个文件存放的是网络的结构，我对其进行大概的解释

name: "LeNet"
layer {
  name: "mnist"
  type: "Data"   //这层是数据层
  top: "data"    //两种输入 1，data blob(像素)
  top: "label"   //2，label blob(标签)
  include {
    phase: TRAIN  //训练时
  }
  transform_param {
    scale: 0.00390625   // 1/256=0.00390625 当初生成lmdb的时候改成了多少？
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"  //lmdb source
    batch_size: 64   //test_iter *batch_size = 样本总数
    backend: LMDB
  }
}
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST  //val的test阶段
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_test_lmdb"
    batch_size: 100
    backend: LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"  //卷积
  bottom: "data"     //输入数据
  top: "conv1"       //输出卷积后数据  
  param {
    lr_mult: 1       //same as the learning rate given by the solver
  }
  param {
    lr_mult: 2       //bias，两倍的学习率会更好的拟合
  }
  convolution_param {
    num_output: 20   //输出神经元个数
    kernel_size: 5   //核大小
    stride: 1
    weight_filler {
      type: "xavier"   //初始化权重，满足xavier
    }
    bias_filler {
      type: "constant" //bias 全为0
    }
  }
}
layer {
  name: "pool1" 
  type: "Pooling"  //Pooling层
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {
  name: "ip1"
  type: "InnerProduct"   //FC层，全连接
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "relu1"     //类似于sigmod
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "accuracy"
  type: "Accuracy"     //精度层，用于TEST阶段
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {
  name: "loss"   //就是loss```
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

运行。

建模成功。

4.分类

编译classification.cpp，找到classification.exe,在cmd中输入classification model_file trained_file mean_file label_file picture.jpg
model_file: deploy.prototxt(改写自训练的模型，即lenet_train_test.prototxt)
trained_file :caffenet_train_iter_900.caffemodel ,训练出来的caffemodel
mean_file : imagenet_mean.binaryproto，均值文件
label_file: 自己写的标签文件，例如：0 车 1 人 2 其他，分成三行写哦。
picture.jpg需要分类的picture
关于deploy. prototxt的写法：

1. 删除两个Data层(用于Train和Test的)。
2. 在最前面添加一层

layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 5 dim: 3 dim: 128 dim: 128} }

第一个dim代表batch_size，第二个dim代表channel个数，第三第四个分别是width和height图片的。
3.删除卷积层中的参数：

weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 1
}

因为不需要学习了。
4.删除TEST

layer {
name: "accuracy"
type: "Accuracy"
bottom: "fc8"
bottom: "label"
top: "accuracy"
include {
phase: TEST
}

原来的最后一层loss层改为pro层，将SoftmaxWithLoss替换为Softmax ，删除其中的bottom:”label”行，然后将最后一层loss层改为pro层。
Ok!全部搞定，运行下。

成功了！结果似乎不错。