caffe学习（五）：cifar-10数据集训练及测试（Ubuntu）

简介

网站链接：CIFAR-10
CIFAR-10数据集包括由10个类别的事物，每个事物各有6000张彩色图像，每张图片的大小是32*32。
整个数据集被分成了5个训练集和1个测试集，各有10000张图片，即50000张图片用于训练，10000张图片用于测试（交叉验证）。

下载数据

注意：默认用$CAFFE_ROOT表示caffe的根目录。
输入指令：

cd $CAFFE_ROOT
./data/cifar10/get_cifar10.sh

随后，会自动下载数据。
如果嫌下载速度慢，可以自己手动下载，再进行自己解压放到对应目录下。
从get_cifar10.sh文件中可以找到url：
http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

打开get_cifar10.sh：

#!/usr/bin/env sh
# This scripts downloads the CIFAR10 (binary version) data and unzips it.

DIR="$( cd "$(dirname "$0")" ; pwd -P )"
cd "$DIR"

echo "Downloading..."

wget --no-check-certificate http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

echo "Unzipping..."

tar -xf cifar-10-binary.tar.gz && rm -f cifar-10-binary.tar.gz
mv cifar-10-batches-bin/* . && rm -rf cifar-10-batches-bin

# Creation is split out because leveldb sometimes causes segfault
# and needs to be re-created.

echo "Done."

下载完成后，$CAFFE_ROOT/data/cifar10下多出了一些文件：

训练集：
这5个文件就是分成了5份的那50000张图片。

data_batch_1.bin
data_batch_2.bin
data_batch_3.bin
data_batch_4.bin
data_batch_5.bin

测试集：
测试数据集，总共10000张图片。

test_batch.bin

类别说明：
说明了整个cifar-10数据集所包括的10个事物类别。

batches.meta.txt

图片格式转换

输入指令：

cd $CAFFE_ROOT
./examples/cifar10/create_cifar10.sh

之后会在目录下生成三个文件：

cifar10_test_lmdb：测试集的lmdb文件
cifar10_train_lmdb：训练集的lmdb文件
mean.binaryproto：整个数据集所有图片的均值文件

训练数据集

输入指令：

cd $CAFFE_ROOT
./examples/cifar10/train_quick.sh

随后就会开始训练。
先打开train_quick.sh看看

#!/usr/bin/env sh
set -e

TOOLS=./build/tools

$TOOLS/caffe train \
  --solver=examples/cifar10/cifar10_quick_solver.prototxt $@

# reduce learning rate by factor of 10 after 8 epochs
$TOOLS/caffe train \
  --solver=examples/cifar10/cifar10_quick_solver_lr1.prototxt \
  --snapshot=examples/cifar10/cifar10_quick_iter_4000.solverstate $@

如果使用的是cpu模式，需要到文件中提到的所有prototxt文件中修改solver_mode为cpu；如果使用的是gpu，则不需要更改，默认就已经是gpu模式了。

使用gpu模式很快就训练好了。

最后训练完时的准确率是75%左右，效果并不是很好。

测试模型

测试时用到了caffe的python接口，所以一定要先编译并配置好了好了pycaffe。如果没有配置好，请先配置好。我以前的博客有讲过如何linux下搭建caffe，最后讲了如何安装pycaffe。（打开链接 ）

我们不自己从头写python代码了，使用caffe提供的$CAFFE_ROOT/python/classify.py文件。
参考自：http://blog.csdn.net/asukasmallriver/article/details/73089944
打开classify.py：
在图中所示位置添加一行代码，目的是修改均值计算错误 ：

mean=mean.mean(1).mean(1) 

将预测的结果打印出来：

# 自己添加
print("Predictions:%s" % predictions)

将结果排序，并找到对应的是什么：
添加如下代码到最后：

# match the result
    labelNums = len(predictions[0])
    labels = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']
    for i in range(labelNums):
        if i == 0:
            maxPrediction = predictions[0][i]
            maxIndex = i
        else:
            if maxPrediction < predictions[0][i]:
                maxIndex = i
                maxPrediction = predictions[0][i]
    print(labels[maxIndex])

修改完就可以来测试了，caffe在$CAFFE_ROOT/examples/images下有一些图片。
输入指令：

python python/classify.py --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5  --center_only  examples/images/cat.jpg foo

载入的图片是cat.jpg，预测结果如下：

我另外从百度随便下了几张图片来测试：
输入指令（根据自己的图片的文件名改下就可以了）：

python python/classify.py --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5  --center_only  examples/images/cat2.jpg foo

猫

哈士奇居然被识别成猫了，但是我承认这张图片的哈士奇的确不太像“狗”。

狗

汽车

cifar数据集训练的结果识别效果不是很好，准确率较低，这里仅做学习实验用。