【caffe-Windows】caffe在Windows下训练深度学习网络并测试（以mnist为例）

上篇博文：http://blog.csdn.net/gyh_420/article/details/78225923
之前已经讲了怎么在windows下面无GPU来安装caffe，现在我们来看看我们安装的caffe是否可以使用。
D:\Caffe\caffe-master\examples\mnist 找到mnist路径，这个是我的电脑的上的路径，你的路径按你自己的电脑来找到。

如图划线的三个部分将是我们所需要的最重要的3个文件，其中train.bat你现在肯定是没有的，是我自己新建的。
前两个文件，一个是训练参数的设置文件，一个是网络模型参数的设置文件,采用的是LENET-5的模型，如果想自己实现自己定义的网络层，还要很长的路要走。接下来讲一讲怎么开始我们的训练。
第一步： 官网下载mnist数据 http://yann.lecun.com/exdb/mnist/，共4个文件，解压放到caffe-master\mnist\mnist_data下 (新建一个mnist_data文件夹），如果你不想麻烦的转换数据格式，我上传了转换好的格式，收了点积分（总要为懒惰付出点代价嘛）转换好的lmdb数据
如图：

然后新建一个txt文件，后缀改成bat（脚本命令行）内容如下，切记代码中的路径直接只用空格隔开，不要有回车符，否则会报错，你也可以在这里写成绝对路径，解释下这里的..\表示的是返回当前txt所在目录的上一层。这里还要注意convert_mnist_data.exe的路径，我在上篇博客中对caffe源码的编译时Debug和Release都进行了的，所以这里选了Release，如果你没有进行Release编译，而是Debug，请改成Debug路径

..\..\..\Build\x64\Release\convert_mnist_data.exe  train-images.idx3-ubyte train-labels.idx1-ubyte ..\..\..\examples\mnist\mnist_train_lmdb  
echo.  
..\..\..\Build\x64\Release\convert_mnist_data.exe  t10k-images.idx3-ubyte  t10k-labels.idx1-ubyte ..\..\..\examples\mnist\mnist_test_lmdb 

pause  

然后点击刚刚的bat运行后得到，这两个文件夹，里面就是我们要的lmdb格式的数据，如果你要想转换成LEVELDB格式的话，只需要在.bat文件中把 mnist_train_lmdb改成mnist_train_leveldb ，有两个地方要改

然后我们要改刚刚所说的两个重要的文件了
重要提示：
路径中的斜杠是反斜杠“/”，不要写成“\”，可能会报错

首先 lenet_train_test.prototxt改的有如图所示，我建议大家写绝对路径，这里就改成刚刚生产的lmdb格式的文件，注意TEST要对应TEST文件，TRAIN要对应TRAIN文件

如果你使用的是leveldb格式的文件，那么这个地方的backend也要改成LEVELDB ，注意有两处

然后我们要改lenet_solver.prototxt文件

3个地方需要注意，一个是网络模型的路径，就是我们刚刚修改的那个文件的路径，第二个是训练好的模型的存放路径，注意新建一个lenet的文件夹，不然可能报错，当然你也可以存在其他的你想放的地方。最后就是是否是用GPU的问题了，我没有使用GPU，所以改成CPU

最后一步就是写train.bat文件了，和之前一样，新建一个txt，改后缀，然后调用caffe.exe以及上面这个训练的配置文件，于是开始了漫长的训练，我用CPU跑了大概20分钟-30分钟的样子。

D:/Caffe/caffe-master/Build/x64/Debug/caffe.exe train --solver=D:/Caffe/caffe-master/examples/mnist/lenet_solver.prototxt
Pause

PS: 总结两个遇到问题：

1. 转换数据时候要确定转换的是 LMDB还是LEVELDB，这个是在一开始转换的时候设置的，一旦设置，在后面的train_test.prototxt文件中一定要对应的改过来，切记，切记。

2.Debug 和 Release ，这个是在VS2013中选择的，具体有什么区别我不太清楚（百度了，说对使用问题不大），但是我们在调用例如 convert_mnist_data.exe 、compute_image_mean.exe等这些 应用程序时，要选择路径，一定要看清楚你生成的是在Debug文件夹（caffe-master\Build\x64\Debug）里还是在Release（caffe-master\Build\x64\Release）里，如果你生成的是在Debug里，而调用的时候是用路径：. Build\x64\Release 的话，就会出现如下错误：

当然，可以在VS2013中分别 选择 Debug和Release 进行生成，这样就不用担心第二个问题啦。

上面这些有一部分参考了http://www.cnblogs.com/TensorSense/p/6260293.html，不过我讲的更仔细和完整，按照我说的方法应该是没有任何问题的。

---

训练好模型之和，就要开始我们的测试了。

上面的4个文件就是我们训练好的，5000后缀的那个文件是训练过程中迭代了5000次时临时保存的模型，暂时不管他，我们要用的是lenet_iter_10000.caffemodel

接下来我们要生成之前没有生成的均值文件，mean.binaryproto
新建一个creatmeanfile.bat

D:/Caffe/caffe-master/Build/x64/Release/compute_image_mean D:/Caffe/caffe-master/examples/mnist/mnist_train_lmdb D:/Caffe/caffe-master/examples/mnist/lenet/mean.binaryproto
pause

然后运行即可

然后新建一个synset_words.txt的文件，既是标签文件

0  
1  
2  
3  
4  
5  
6  
7  
8  
9 

然后写一个调用caffe.exe的脚本 命名为class.bat,和之前一样，注意路径之间不要有回车
lenet.prototxt文件是网路模型的描述文件，这个是别人设计好的网络，在caffe里面自带的。

D:/Caffe/caffe-master/Build/x64/Release/classification.exe D:/Caffe/caffe-master/examples/mnist/lenet.prototxt D:/Caffe/caffe-master/examples/mnist/lenet/lenet_iter_10000.caffemodel D:/Caffe/caffe-master/examples/mnist/lenet/mean.binaryproto D:/Caffe/caffe-master/examples/mnist/lenet/synset_words.txt D:/Caffe/caffe-master/examples/mnist/lenet/3.bmp  
pause  

然后用画图的软件生成手写的3.jpg的图像，改成28*28的大小，然后再OPENCV里面反转一下灰度（因为我们训练集市黑背景，白笔记，而画图中的是白背景，黑笔迹），保存为3.bmp，放在模型的目录下。

PS：如果你配置半天还是没有成功，我这里放出所有的配置好的脚本和训练好的模型
训练好的模型以及脚本http://download.csdn.net/download/gyh_420/10024034

这里放出转换的OPENCV代码

#include <opencv2\opencv.hpp>
#include <iostream>  

using namespace std;
using namespace cv;

int main(int argc, char * argv[])
{
    Mat image;      //定义一个图像对象  
    image = imread("D:/quater/rgb_to_graybmp/3.jpg");   //读取图像  

    if (!image.data)        //判断图像载入是否成功  
    {
        cout << "Fail to load image!!" << endl;
        system("pause");
        return 0;
    }
    resize(image, image, Size(28, 28), CV_INTER_LANCZOS4);
    Mat gray;

    namedWindow("原图", WINDOW_AUTOSIZE);
    imshow("原图", image);

    cvtColor(image, gray, CV_BGRA2GRAY);

    //图像反转  
    for (int i = 0; i < gray.rows; i++)
    {
        for (int j = 0; j < gray.cols; j++)
        {
            gray.at<uchar>(i, j) = 255 - gray.at<uchar>(i, j);   // 每一个像素反转  
        }
    }

    namedWindow("gray", WINDOW_AUTOSIZE);
    imshow("gray", gray);    //在窗口my中显示gray图像  

    imwrite("3.bmp", gray);   //  将gray图像保存为bmp  


    cout << "Size of image is: " << gray.size().height << ", " //获得图像的高，宽等尺寸  
        << gray.size().width << endl;

    waitKey(0);
    image.release();
    gray.release();
    return 0;
}

运行class.bat

得到结果

结果非常不错，下一篇会讲一讲怎么在VS自己的项目中调用模型而不是使用命令行脚本。