减少caffe依赖库的手写数字识别测试

        最近接到一项任务，把一套算法(用caffe实现）的依赖库尽可能减少。网上各种找资料，也没找到什么，无意间接触到了darknet这个开源框架，它有一个大优势就是依赖库少。我给它的简介如下：

        darknet——深度学习开源框架之一。

        它由纯C语言写成的。

        它的优势：

        代码依赖项少，只要cuda就行，甚至opencv都可以不需要，如果只在CPU平台下跑，那CUDA也不需要了。这样我们可以很容易就将代码移植到其他平台上，这一点在工程 项目中是非常大的优势。（本人也正是有此需求，才接触到这一开源框架。）

        它的缺点：

                1、实例少，教程少，代码说明也很少，学习不是很方便；

                2、darknet 做微调很麻烦，因为要修改前面很多层的学习率；

        没有用它做很多东西，目前只知道这么多。

        我在想，能否将caffe下训练好的模型转换到darknet下测试？于是我开始试验，用caffe中的手写数字识别进行验证，平台：Linux16.04，CPU环境。

至于Linux安装、caffe安装、opencv安装，以及如何使用caffe、mnist库进行手写数字识别、darknet的安装等内容，在网上有很多的参考资料，我就不详细说明了。直接进入 正题（已经在caffe下训练好了模型lenet_iter_5000.caffemodel、lenet_iter_10000.caffemodel这两个文件：

        Step 1 : 如何将caffe中的网络配置和模型参数传递给darknet框架？很幸运，我从这位大神的博客里发现了这个caffe model to darknet model（链接），按照他的步骤：只需要修改一下最后一个命令行参数即可：python caffe2darknet.py lenet_deploy.prototxt lenet_iter_10000.caffemodel lenet.cfg lenet-model.weights。

        参数说明:

                caffe2darknet.py——将caffe转成darknet的python文件，不多解释。

                lenet_deploy.prototxt——此文件是网络配置描述性文件，需要自己根据lenet_train_test.prototxt编写，步骤可以参考这位大神（链接）。

                lenet_iter_10000.caffemodel——caffe训练好的模型文件。

                lenet.cfg（自己命名）——输出文件，后面darknet操作需要用到的，网络配置。

                lenet-model.weights（自己命名）——输出文件，后面darknet操作需要用到的，模型参数。

        可是，如果也不能太相信这个生成网络配置和权重文件，因为毕竟caffe和darknet是两个不同的框架，两者对于层的构造可能会有所不同。我最开始就是太相信这两个文件，执行完后面的操作仍然得不到理想的