Caffe使用流程----以Mnist数据分类为例

一、准备数据                                                                                                                               点击此处返回总目录 二、将数据转换成lmdb格式 三、定义网络结构 四、定义超参数文件 五、训练   跟在windows上一样。     这一节课演示caffe的一步一步的操作，首先定义数据，然后配置Net，然后配置Solver，然后run，最后分析结果，如果结果不满意，再回头修改。这样一个循环的过程。这节课使用Mnist作为例子，给大家一个整体的印象。后面再每一个步骤细讲。                                        一、准备数据 cd /home/emcas/liupc/caffe/data/mnist ./ get_mnist.sh 下载完后，在本目录下可以看到：   二、将数据转换成lmdb格式 cd /home/emcas/liupc/caffe/examples/mnist vim create_mnist.sh 改成如下内容：   sh create_mnist.sh 执行后，可以看到生成了两个文件夹：                    三、定义网络结构 cd /home/emcas/liupc/caffe/examples/mnist vim  lenet_train_test.prototxt 改一下两个地方就行。         四、编写超参数文件 cd /home/emcas/liupc/caffe/examples/mnist vim  lenet_solver.prototxt 我使用的CPU，所以最后一个地方改成了CPU。   五、训练 输入caffe 之后，可以看到caffe之后可以有四个参数。       caffe time命令用来评估模型执行时间是多少。我们试一下。 cd /home/emcas/liupc/caffe/examples/mnist caffe time -model lenet_train_test.prototxt -iterations 10      //模型，迭代多少次，默认跑cpu   说明迭代十次，使用CPU一共花了322ms。 再试一下GPU。   caffe time -model lenet_train_test.prototxt -iterations 10  -gpu 0                      //选择gpu 0 （我没有GPU版本的，所以就不放上结果了）   可以通过对比时间，查看两者的差距。   我们开始来训练一下： cd /home/emcas/liupc/caffe/examples/mnist caffe train -solver lenet_solver.prototxt 运行结果：   最后跑了1万轮，准确率99.16%   跑完之后可以看到生成的模型文件：       训练完之后，就可以画图看看准确率了。或者在网上找一张图片，亲自试一下~~