mscaffe 训练minist数据

Caffe的根目录以下统一称为CAFFE_ROOT

工具准备

1. 运行shell脚本 
caffe提供了很多的examples，都放在CAFFE_ROOT/examples 下，而这些examples所需要的数据都存储在 CAFFE_ROOT/data 下。当然现在data下面没有实质的图像数据，但是有一些脚本可以很方便的用来获取网络上公开的一些数据，如有名的数字识别库mnist。但是这些脚本都是Linux下用的 .sh shell脚本文件。在Windows下运行shell的方法很多，网上也有很多教程 。我由于安装了git，所以利用git bash可以直接运行shell文件。这里选择一个自己喜欢的方式就可以了 
2. 安装wget 
在这里下载wget，这个软件用于从互联网获取资源。 
下载后解压到任意目录即可，然后将wget的目录加入到系统环境变量Path内，确保可以被shell脚本找到。如下： 

训练mnist

1. 下载mnist数据 （也可以在官网下载：minist数据集，然后解压到下面提到的文件夹下）
   运行CAFFE_ROOT/data/mnist/get_mnist.sh 
   完成下载后会在 CAFFE_ROOT/data/mnist下多出四个文件，如下，即为mnist的数据 
   

2. 将下载下来的mnist数据转换为lmdb格式。这种格式的数据更利于快速的读取，提高训练效率。

   1. 打开CAFFE_ROOT/windows/Caffe.sln ,生成convert_mnist_data 项目（Release，x64） 
       
      生成的项目存储在CAFFE_ROOT/Build/x64/Release 下，这一步可能出现无法打开 libcaffe 之类的错误或者警告，解决方法：首先在上图里面把 libcaffe 右键——>属性——>C/C++常规 里面“将警告视为错误”——>“否”如下图：                     然后在 Release X64 模式下重新生成 libcaffe，编译通过后，再次在 Release X64 模式下生成 convert_mnist_data （这个也要把属性里面的“将警告视为错误”改为“否”）这次就会编译通过了，可以在 Release 文件夹下看到生成的文件了
   2. 打开CAFFE_ROOT/examples/mnist/create_mnist.sh 将 
      
BUILD=build/examples/mnist 

      改为 
      
BUILD=Build/x64/Release 

   3. 运行CAFFE_ROOT/examples/mnist/create_mnist.sh 
      转换好的数据将存在脚本的目录下 
      

3. 在CAFFE_ROOT 下新建一个文本文件，命名为run_mnist.bat 
   内容如下

   <code class="hljs tex has-numbering" style="display: block; padding: 0px; color: inherit; box-sizing: border-box; font-family: 'Source Code Pro', monospace;font-size:undefined; white-space: pre; border-radius: 0px; word-wrap: normal; background: transparent;">.<span class="hljs-command" style="box-sizing: border-box; color: rgb(0, 0, 136);">\Build</span><span class="hljs-command" style="box-sizing: border-box; color: rgb(0, 0, 136);">\x</span>64<span class="hljs-command" style="box-sizing: border-box; color: rgb(0, 0, 136);">\Release</span><span class="hljs-command" style="box-sizing: border-box; color: rgb(0, 0, 136);">\caffe</span>.exe train --solver=examples/mnist/lenet_solver.prototxt
   pause
   </code><ul class="pre-numbering" style="box-sizing: border-box; position: absolute; width: 50px; top: 0px; left: 0px; margin: 0px; padding: 6px 0px 40px; border-right-width: 1px; border-right-style: solid; border-right-color: rgb(221, 221, 221); list-style: none; text-align: right; background-color: rgb(238, 238, 238);"><li style="box-sizing: border-box; padding: 0px 5px;">1</li><li style="box-sizing: border-box; padding: 0px 5px;">2</li><li style="box-sizing: border-box; padding: 0px 5px;">3</li></ul>

4. 运行 run_mnist.bat , 即开始训练网络，训练过程中可以看到训练的loss和测试的accuracy，最终结果的识别率在99%以上
5. http://blog.csdn.net/tsyccnh/article/details/51673474