caffe跑自己的数据

就从我做的一个区分人脸中戴眼镜（以下简称正样本）和不戴眼镜（以下简称负样本）的简单二分类问题开始;

首先我得到的是一份正负样本各有两千四左右的数据，正样本用标签1表示，负样本用标签0表示;

得到数据后首先对现有的数据进行组织，分成训练样本和测试样本（训练集：测试集=5：1），得到如下的结果：

接下来对两个数据集中的图片数据运行如下代码进行重命名（需要的话可以统一图片大小），为了保持所有文件的格式一致，采用str(count).zfill(4)方法用0补充高位来统一规范文件名：

重命名后数据集下的数据如下：

接下来就是对数据集标签文件train.txt和test.txt的建立，运行如下代码：

理解了os.walk()函数的返回值就理解上面的代码了，有点值得注意的是在遍历train文件名（0和1）时，先是遍历文件夹1下的文件，再遍历文件夹0下的文件，这也是类别序号x采用x=x-1的原因。

运行完分别在训练集和测试集的目录下产生相应的标签文件：

得到标签文件后就是把图片数据转换成caffe中的lmdb数据形式，修改caffe/examples/imagenet文件夹下的create_imagenet.sh里面的标签文件路径和文件保存路径（这一步可以对图片数据的尺寸大小进行统一的处理，将RESIZE=false更改为RESIZE=true，将所有图片归一化为256*256的大小），运行产生我们需要的lmdb文件：

下一步修改caffe/examples/imagenet文件夹下的make_imagenet_mean.sh里面lmdb文件（训练集的）的路径，计算训练的均值文件（减去像素平均值：所有图片的每个像素都减去所有训练集图片的平均值。），运行后在当前目录下生成.binaryproto文件：

修改网络结构：我是用的caffe自带的caffenet的网络文件进行训练，在caffe/models/bvlc_reference_caffenet里面找到相应的train_val.prototxt和solver.prototxt文件;

修改train_val.prototxt里面的均值文件路径、数据路径和最后的分类类别数（数据层里面如果采用镜像操作，则不需要用到前面生成的均值文件），根据自己的实际需求修改solver.prototxt相应的训练参数。

最后，在caffe的根目录下运行如下代码：

训练结果如下：

根据我的设置，每迭代2000会生成如下一个caffemodel（这是我们想要的模型文件）和一个solverstate（中间状态文件，主要是存放训练过程中的一些超参数，当训练过程中断，你想继续运行数据学习，此时只需要调用.solverstate文件即可

1. ./build/tools/caffe train \  
2.      --solver=examples/test/solver.prototxt --snapshot=examples/test/test_100000.solverstate 

）：