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~~
|