caffe学习笔记1_CIFAR-10在caffe上进行训练与学习

    在完成了深度学习框架Caffe的环境配置之后，从网上收集了一些caffe学习笔记（来自薛开宇的读书笔记），可以帮助我们进入深度学习的殿堂。博主从该读书笔记中有所收获，并且自己动手实践过，若无意侵犯了原创作者权益，还请告知删除。

caffe读书笔记1_CIFAR-10在caffe上进行训练与学习_薛开宇

本次学习笔记作用，知道如何在caffe上训练与学习，如何看结果。

 1.1使用数据库：CIFAR-10

 60000张32X32 彩色图像 10类

50000张训练

10000张测试

1.2准备

在终端运行以下指令：

cd $CAFFE_ROOT/data/cifar10

./get_cifar10.sh

cd $CAFFE_ROOT/examples/cifar10

./create_cifar10.sh

 其中CAFFE_ROOT是caffe-master在你机子的地址

 运行之后，将会在examples中出现数据库文件./cifar10-leveldb和数据库图像均值二进制文件./mean.binaryproto

 

1.3模型

该CNN由卷积层，POOLing层，非线性变换层，在顶端的局部对比归一化线性分类器组成。该模型的定义在CAFFE_ROOT/examples/cifar10directory’scifar10_quick_train.prototxt中，可以进行修改。其实后缀为prototxt很多都是用来修改配置的。

1.4训练和测试

训练这个模型非常简单，当我们写好参数设置的文件cifar10_quick_solver.prototxt和定义的文件cifar10_quick_train.prototxt和cifar10_quick_test.prototxt后，运行train_quick.sh或者在终端输入下面的命令：

cd $CAFFE_ROOT/examples/cifar10

./train_quick.sh

即可，train_quick.sh是一个简单的脚本，会把执行的信息显示出来，培训的工具是train_net.bin,cifar10_quick_solver.prototxt作为参数。

然后出现类似以下的信息：

I0317 21:52:48.945710 2008298256 net.cpp:74] CreatingLayer conv1

I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <-data

I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 ->conv1

I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape:100 32 32 32 (3276800)

I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needsbackward computation.

这是搭建模型的相关信息

接着：

0317 21:52:49.309370 2008298256 net.cpp:166] Networkinitialization done.

I0317 21:52:49.309376 2008298256 net.cpp:167] Memoryrequired for Data 23790808

I0317 21:52:49.309422 2008298256 solver.cpp:36] Solverscaffolding done.

I0317 21:52:49.309447 2008298256 solver.cpp:47] SolvingCIFAR10_quick_train

之后，训练开始

I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration100, lr = 0.001

I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration100, loss = 1.73643

...

I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration500, Testing net

I0317 21:54:47.129461 2008298256 solver.cpp:114] Testscore #0: 0.5504

I0317 21:54:47.129500 2008298256 solver.cpp:114] Testscore #1: 1.27805

 

其中每100次迭代次数显示一次训练时lr(learningrate),和loss（训练损失函数），每500次测试一次，输出score0（准确率）

和score 1（测试损失函数）

 

 

当5000次迭代之后，正确率约为75%，模型的参数存储在二进制protobuf格式在

cifar10_quick_iter_5000

然后，这个模型就可以用来运行在新数据上了。

 

1.5 其他

另外，更改cifar*solver.prototxt文件可以使用CPU训练，

 # solver mode: CPU or GPU

solver_mode: CPU

 可以看看CPU和GPU训练的差别。

 主要资料来源：caffe官网教程