Caffe for windows 训练cifar10数据集

Caffe for windows 训练cifar10数据集  

关于如何在windows操作系统上安装和配置caffe的问题，可见链接：http://blog.csdn.net/mmmmmttttff/article/details/51023523（这里使用的是happynear版本）

我的本机环境如下：

操作系统版本	Windows10-64.专业增强版
内存	8G
CPU	酷睿I7-8核
GPU	NVIDIA GTX960
CUDA	7.0
CUDNN	v2.0
VS2013	64

(1)  安装配置成功

Happynear版本的ciffe 安装配置好之后，点击运行根目录下的run_mnist.bat脚本就可以进行训练mnist数据了。

（2）下载cifar-10-binary.tar.gz，解压后是bin后缀的二进制文件，保存到自己设置的路径下。

(3) 用VS打开.sln工程文件，可以看到如下：

注意：这里红笔标注的项目“convert_cifar_data”在happynear版本没有，是我自己添加的。很简单，重新创建一个空的win32控制台程序项目，创建之后更改为x64Release模式（因为之前都是在用这个模式，Debug模式下可能会出现一系列问题，这个确实有）之后仿照别的项目，例如”convert_mnist_data“，将一些必要的C++ include 和link需要添加的库都设置好。如图：

再将原来在root\examples\cifar10文件夹下的convert_cifar_data.cpp文件添加到该项目中，就可以编译了（只编译这一个项目就行）

（4）生成的convert_cifar_data.exe文件在bin文件夹下（和caffe.exe处在同一个目录中），这个就是我们要用的执行文件，专门处理cifar data.

(5) convert_cifar_data.exe该如何使用？这里我们可以在该目录下打开命令提示符窗口，输入convert_cifar_data.exe -help 回车，如下图所示：

红色标注部分的就是输入格式，“convert_cifar_data.exe 输入数据文件路径  输出数据文件路径  数据格式” 这里的数据格式指的是caffe支持的Leveldb和Lmdb两种格式，这里要写leveldb:

之后在文件夹data1下就可以看到：

打开文件夹查看文件，这个时候是这样的：

（6）我们还要将数据进行均值化处理，这就需要使用compute_image_mean.exe 执行文件了，调用如下：

其中-backend=”leveldb”指明数据的格式是leveldb，之后是刚才生成的训练数据集的路径，这里要注意必须是训练数据的路径，而不是val验证数据集的路径，最后是输出均值文件名，后缀是binaryproto。这里默认保存在当前路径下。

(7)配置网络文件

  这个版本的网络配置文件有很多，我这里使用这个cifar10_quick_train_test.prototxt。打开之后修改一下训练数据和验证数据以及均值文件的路径即可:

注意同时也要修改设置数据的格式为LEVELDB (默认的是LMDB)，保存。

(8) 训练和测试

由于上面使用了cifar10_quick_train_test.prototxt，对应的在模型训练设置文件上我们使用cifar10_quick_solver.prototxt，这里其实不需要修改内容，当然你也可以自己指定一些参数。

或者编写bat脚本或者直接在命令行窗口输入：

.\bin\caffe.exe train--solver=examples/cifar10/cifar10_quick_solver.prototxt  回车，就可以了。

要是想进行验证的话，可以修改命令为：

.\bin\caffe.exe test --model=examples/cifar10/cifar10_quick_train_test.prototxt

--weights=examples/cifar10/cifar10_quick_iter_4000.caffemodel.h5-gpu=0

(这里使用了现在存在的model，并且使用GPU)

使用快照命令可以添加如下：

--snapshot=examples/cifar10/cifar10_quick_iter_4000.solverstate

 

总结：还是比较简单的步骤。确实在windows上是比较麻烦一些。只是我自己一个人研究了半天。。。