【caffe-Windows】cifar实例编译之model的生成

转自：http://blog.csdn.net/zb1165048017/article/details/51476516

版权声明：欢迎大家一起交流，有错误谢谢指正~~~多句嘴，CSDN会在每一行代码后面加两个空格，复制博客代码时请手动去掉，尤其是bat里面的代码

目录(?)[+]
准备工作
第一步
第二步
第三步
第四步
第五步
第六步
第七步





参考：http://blog.csdn.net/chengzhongxuyou/article/details/50715455

参考：<span style="font-family: Arial, Helvetica, sans-serif;">http://blog.csdn.net/chengzhongxuyou/article/details/50715455</span>

准备工作

按照之前的教程，成功生成过caffe，并且编译整个caffe.sln项目工程，在\caffe-master\Build\x64\Debug生成了一堆exe文件，后面会使用到除了caffe.exe的另外一个exe

【PS】很多VS安装过程中出现问题的，比如XX加载失败，XX未找到等，请自行寻找问题，很可能是原来的VS没卸载干净，或者VS版本缺少一些文件等导致。正常情况下，第一次编译只有libcaffe.lib显示失败，不会出现其它error

第一步

下载cifar的数据集

官网地址：http://www.cs.toronto.edu/~kriz/cifar.html

我的百度云地址：二进制数据文件链接：http://pan.baidu.com/s/1hrRApwC 密码：1dxy

.mat格式连接：链接：http://pan.baidu.com/s/1hr6B7Xa密码：f343

多一句嘴，这个数据集是彩色图片，也即具有RGB三通道，数据存储方式是一行为一张图片，包含3*32*32=3072个像素属性，具体多少张图片，有兴趣的可以去官网看看，或者看看数据集的存储格式：样本数(图片数)*3072

【与训练model无关】下面代码是用matlab写的，用于显示其中一个样本，当然你可以用reshape函数，前面我介绍过这个函数

[html]
view plain
copy

print?





image=zeros(32,32,3);  
count=0;  
for i=1:3  
    for j=1:32  
        for k=1:32  
            count=count+1;  
           image(j,k,i)=data(1000,count);  
        end  
    end  
end  
imshow(uint8(image))  

image=zeros(32,32,3);
count=0;
for i=1:3
for j=1:32
for k=1:32
count=count+1;
image(j,k,i)=data(1000,count);
end
end
end
imshow(uint8(image))

第二步

下载完毕以后，解压得到数据，请核对是否与下图一样



按照下列路径，在自己的caffe目录下建立input_folder文件夹，并拷贝相应数据集

第三步

在input_folder的上一级目录，也就是Debug目录建立一个bat文件(名称随意，我用的是convert.bat)，用于转换数据集格式，内容如下

[plain]
view plain
copy

print?





convert_cifar_data.exe  input_folder output_folders leveldb  
pause  

convert_cifar_data.exe  input_folder output_folders leveldb
pause

【PS】此处的exe就是在编译caffe.sln时候生成的，如果没有，请在VS中修改生成模式为DEBUG，而非release





【PS】caffe-windows是caffe官方提供的caffe，与caffe-master差不多，我这里为了从头演示，没有在master里面操作，无视之即可

运行此bat文件，会生成一个文件夹output_folders，里面有两个文件夹，请核对路径以及文件数目

第四步

计算均值，新建另一个bat文件（本文采用mean.bat），如下图所示，请核对路径

[plain]
view plain
copy

print?





compute_image_mean.exe output_folders/cifar10_train_leveldb mean.binaryproto  
  
pause  

compute_image_mean.exe output_folders/cifar10_train_leveldb mean.binaryproto

pause

双击此bat文件，不出意外会出现下面问题：



解决方法有两种

第一种：打开caffe.sln，修改compute_image_mean.cpp



重新生成一下，得到新的计算均值的exe文件【电脑编译中。。。等待ing。。。。】

第二种：感谢评论区 Liz_Huang的提示，直接在bat后面添加--backend=leveldb，同时也可以换成--backend=lmdb

编译完毕，重新运行bat文件，仔细检查debug文件夹，会发现有一个文件名为：mean.binaryproto

第五步

将debug文件夹下的mean.binaryproto以及output_folders下的两个文件夹拷贝到caffe-windows\examples\cifar10

在caffe-windows也就是caffe-master（根据版本自行决定）文件夹下新建一个bat文件，用于训练模型，本文使用train.bat

[html]
view plain
copy

print?





.\Build\x64\Debug\caffe.exe train --solver=examples/cifar10/cifar10_quick_solver.prototxt  
pause  

.\Build\x64\Debug\caffe.exe train --solver=examples/cifar10/cifar10_quick_solver.prototxt
pause

在运行之前需要修改几个文件,此处截图超过2M了，传不上来，读者自己核对路径以及CPU训练设置

cifar10_quick_solver.prototxt文件：

[html]
view plain
copy

print?





# reduce the learning rate after 8 epochs (4000 iters) by a factor of 10  
  
# The train/test net protocol buffer definition  
net: "examples/cifar10/cifar10_quick_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: 0.001  
momentum: 0.9  
weight_decay: 0.004  
# The learning rate policy  
lr_policy: "fixed"  
# Display every 100 iterations  
display: 100  
# The maximum number of iterations  
max_iter: 4000  
# snapshot intermediate results  
snapshot: 4000  
snapshot_format: HDF5  
snapshot_prefix: "examples/cifar10/cifar10_quick"  
# solver mode: CPU or GPU  
solver_mode: CPU  

# reduce the learning rate after 8 epochs (4000 iters) by a factor of 10

# The train/test net protocol buffer definition
net: "examples/cifar10/cifar10_quick_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: 0.001
momentum: 0.9
weight_decay: 0.004
# The learning rate policy
lr_policy: "fixed"
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 4000
# snapshot intermediate results
snapshot: 4000
snapshot_format: HDF5
snapshot_prefix: "examples/cifar10/cifar10_quick"
# solver mode: CPU or GPU
solver_mode: CPU

——————————————————————————————————————————————————————————————————————————

cifar10_quick_train_test.prototxt文件【只贴前面一部分】，需要修改的就是数据格式为leveldb，以及相关路径，自行核对

[html]
view plain
copy

print?





name: "CIFAR10_quick"  
layer {  
  name: "cifar"  
  type: "Data"  
  top: "data"  
  top: "label"  
  include {  
    phase: TRAIN  
  }  
  transform_param {  
    mean_file: "examples/cifar10/mean.binaryproto"  
  }  
  data_param {  
    source: "examples/cifar10/cifar10_train_leveldb"  
    batch_size: 100  
    backend: LEVELDB  
  }  
}  
layer {  
  name: "cifar"  
  type: "Data"  
  top: "data"  
  top: "label"  
  include {  
    phase: TEST  
  }  
  transform_param {  
    mean_file: "examples/cifar10/mean.binaryproto"  
  }  
  data_param {  
    source: "examples/cifar10/cifar10_test_leveldb"  
    batch_size: 100  
    backend: LEVELDB  
  }  
}  

name: "CIFAR10_quick"
layer {
name: "cifar"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mean_file: "examples/cifar10/mean.binaryproto"
}
data_param {
source: "examples/cifar10/cifar10_train_leveldb"
batch_size: 100
backend: LEVELDB
}
}
layer {
name: "cifar"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mean_file: "examples/cifar10/mean.binaryproto"
}
data_param {
source: "examples/cifar10/cifar10_test_leveldb"
batch_size: 100
backend: LEVELDB
}
}

一定要核对正确，我好像在设置添加路径的时候多了一个空格，结果出现了下面问题



【PS】一定要细心

最后，运行train.bat时候出现如下界面，说明正在训练



是不是感觉和网上看到的不一样呢？网上都是各种iteration 和loss显示在命令窗口，但是这里出现了prefetch batch等。原因在于我们用的是debug模式下生成的caffe在训练，如果想看到如下情形的结果，请将caffe.sln使用release模式生成(用VS2013打卡caffe.sln以后，上方中间部分的dubug改为release，然后右键工程，重新生成)

第六步

训练完成，会得到如下文件



下面是我训练好的cifar10的model，读者可下载，可自行训练

cifar10_quick_iter_4000.caffemodel.h5的链接：http://pan.baidu.com/s/1o8xSqr4 密码：ftc5

cifar10_quick_iter_4000.solverstate.h5的链接：链接：http://pan.baidu.com/s/1eRGPlNs 密码：589n

第七步

附带说一下caffe train 的finetuning。我们在编译成功caffe以后显示的dos窗口显示的有一行是：

[cpp]
view plain
copy

print?





commands:  
train  train or finetune a model  

commands:
train  train or finetune a model

只要是用caffe train -solver=xxxxxxx，那就是从头开始训练

凡是遇到caffe train -solver=xxxx  -weights=xxxxxx.caffemodel(.h5)，那就是用已有模型参数(权重偏置)去初始化网络，称为finetune