运行caffe自带的Cifar10实例教程

     CIFAR-10数据集含有6万个32*32的彩色图像，共分为10种类型，。包含50000张训练图片，10000张测试图片，数据集的数据存在一个10000*3072的numpy数组中，单位是uint8s，3072是存储了一个32*32的彩色图像。（3072=1024*3）。前1024位是r值，中间1024是g值，后面1024是b值。主要作用是小图片分类。

第一步：打开caffe根目录

 cd ~/caffe/caffe-master

第二步: 下载数据

根目录下执行：

 sudo sh data/cifar10/get_cifar10.sh

运行成功后，会在 data/cifar10/文件夹下生成一堆bin文件

第三步：转换数据格式为lmdb

根目录下执行：

 sudo sh examples/cifar10/create_cifar10.sh

转换成功后，会在 examples/cifar10/文件夹下生成两个文件夹，cifar10_train_lmdb和cifar10_test_lmdb, 里面的文件就是我们需要的文件。

第四步：配置文件

       为了节省时间，我们进行快速训练（train_quick)，训练分为两个阶段，第一个阶段（迭代4000次）调用配置文件cifar10_quick_solver.prototxt, 学习率（base_lr)为0.001。第二阶段（迭代1000次）调用配置文件cifar10_quick_solver_lr1.prototxt,学习率(base_lr)为0.0001。

       首先打开cifar10_quick_solver.prototxt文件，执行下面指令，将base_lr设置为0.001

sudo vi examples/cifar10/cifar10_quick_solver.prototxt

       然后保存后，再打开cifar10_quick_solver_lr1.prototxt，打开的指令如下，将学习率设置为base_lr=0.0001  

sudo vi examples/cifar10/cifar10_quick_solver_lr1.prototxt

       其实如果你有GPU且已经完全安装好，这一步可以省略，我们这里的GPU是安装好的，所以打开文件只是看一下内容并熟悉这种方法。

第五步：运行例子

在根目录下执行指令：

sudo time sh examples/cifar10/train_quick.sh

在GPU下运行时间大约是5分钟，精度是75.08%，最终运行结果见下面图片。