caffe学习与使用

最初一直使用window7 + tensorflow-gpu版本，用anaconda一键配置，傻瓜式的方法，但出问题了调试困难。

因学习需要，安装好了Ubuntu + caffe，在linux下进行训练不仅可以增加对软件原理的理解，也有助于提高码农等级。

caffe训练mnist记录

（详细内容：http://blog.csdn.net/susu79/article/details/55188717 ）

1.获取数据，./data/mnist/get_mnist.sh

2.转换格式，./examples/mnist/create_mnist.sh（给予权限chmod 777 *.sh)

3.使用letnet网络，数据层、卷积层、池化层、激活层和全连接层（letnet_train_test.prototxt)

4.配置训练参数，learning—rate,batch_size,epoch等等，（letnet_solver.prototxt)

5.新建文件夹保存模型，修改letnet_solver.prototxt中snapshot_prefix路径

6.使用train_lenet.sh进行训练

7.使用模型参数进行测试（./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/model/lenet_iter_10000.caffemodel -gpu=0）
4000

当然，这是一个最简单的例子，在这个使用过程中并没有设计到数据预处理，网络结构配置和调参工作，但从这个例子中我们可以看到caffe设计的理念：

caffe主要是以文本的方式来设计和修改参数，如网络结构一般用 net_train.prototxt，训练参数一般用 net_slover.prototxt，生成模型caffemodel文件，均以文本形式展示

caffe保存数据为lmdb或者leveldb，用到create_data和convert_data，将原始数据转换为可以处理的lmdb文件

网络结构和训练均以C++形式展开，调整和训练时非常简单和快捷