《深度学习——实战caffe》——运行手写体数字识别

数据集背景：

MNIST 是一个大型的手写体数字数据库，广泛应用于机器学习领域的训练和测试，由纽约大学Yann LeCun教授整理。

MNIST包括60000个训练集和10000测试集，图片固定尺寸为28*28。

LeNet模型背景：

LeNet是1986提出的，是最简单的CNN（卷积神经网路）模型，也是Caffe自带的第一个小例子用到模型。

所以综上，不难看出【在MNIST手写体数据集上用Caffe框架训练LeNet模型】简直就是深度学习届的helloworld啊哈哈哈

废话说完，看下Caffe官方给出的第一个小例子是怎么跑起来的。

第一步：下载MNIST数据集

大Caffe已经给我们写好了下载脚本，直接执行就是：

1	sudo  sh data /mnist/get_mnist .sh

当然可以用Vim打开看一下啦，主要是一些wget下载命令和gunzip解压命令啦O(∩_∩)O~

运行成功后，在 data/mnist/目录下多出了四个文件，这四个文件便是MNIST原始数据文件啦。

train-images-idx3-ubyte:  训练集样本 (9912422 bytes) 

train-labels-idx1-ubyte:  训练集对应标注 (28881 bytes) 

t10k-images-idx3-ubyte:   测试集图片 (1648877 bytes) 

t10k-labels-idx1-ubyte:   测试集对应标注 (4542 bytes)

第二步：数据格式转换

当然上面的原始数据格式为二进制文件，是不能在caffe中直接使用的，需要转换成Caffe可以识别的格式LMDB或者LEVELDB才行。

继续执行脚本咯：

1	sudo  sh examples /mnist/create_mnist .sh

如果想运行leveldb数据，请运行 examples/siamese/ 文件夹下面的程序，examples/mnist/ 文件夹是运行lmdb数据。两个都可以，反正当初在搭建环境的时候，这两个依赖包都安装过了。转换成功后，会在 examples/mnist/目录下，生成两个文件夹，分别是mnist_train_lmdb（训练集）和mnist_test_lmdb（测试集），里面存放的data.mdb和lock.mdb，就是我们需要的运行数据。

PS：至于为什么不直接读取原始数据，非要采用LMDB、LEVELDB呢？主要有两个原因：

1、原始数据类型多种多样，不可能用一套代码来搞定，转换是为了更好的统一，以简化读取层的实现；

2、使用LMDB、LEVELDB可以提高磁盘IO利用率。

第三步：开始训练模型

一切准备就绪后，开始训练。依然范特。。不对，依然脚本伺候：

1	sudo  sh examples /mnist/train_lenet .sh

等下，本宝热爱学习，我想看下脚本里面写的什么，用vi打开后发现：

1 2	#！/usr/bin/env sh . /build/tools/caffe  train --solver=examples /mnist/lenet_solver .prototxt

可见啊，该脚本是调用了前面编译好的build/tools/caffe.bin二进制文件，参数--solver=examples/mnist/lenet_solver.prototxt  则是指定了训练超参数文件文件。

打开它：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

# The train/test net protocol buffer definition   // 参数描述文件 net:  "examples/mnist/lenet_train_test.prototxt"    // 位置 # test_iter specifies how many forward passes the test should carry out.  # In the case of MNIST, we have test batch size 100 and 100 test iterations, # covering the full 10,000 testing images. // 一共10000张测试图像，test batch size 100 每次测试处理100张 test_iter: 100   //  进行100次前向计算，test_iter* test  batch size =10000 # Carry out testing every 500 training iterations. test_interval: 500  //  每训练500次，进行一次测试 # The base learning rate, momentum and the weight decay of the network. base_lr: 0.01   // 基础学习率 momentum: 0.9   // 学习率 改变的动量 weight_decay: 0.0005  // 学习率衰减系数 # The learning rate policy  //学习策略 及相关参数 lr_policy:  "inv" gamma: 0.0001 power: 0.75 # Display every 100 iterations display: 100    // 迭代100次 打印输出一次结果 # The maximum number of iterations max_iter: 10000    // 最大迭代数 # snapshot intermediate results snapshot: 5000      //5000 次迭代保存一次临时模型，名称为lenet_iter_5000.caffemodel snapshot_prefix:  "examples/mnist/lenet" # solver mode: CPU or GPU // 使用CPU还是GPU solver_mode: GPU    // 打开GPU

根据参数的意思再结合自己的情况，修改之。尤其是最后一句，如果没有显卡就老老实实的修改成CPU模式吧。

终于可以训练了，好鸡动：

1	sudo  sh examples /mnist/train_lenet .sh

大概20分钟吧，时间会给你好味道O(∩_∩)O~

第四步：用训练好的模型对数据进行预测

最终训练好的模型的权值保存在 examples/mnist/lenet_iter_10000.caffemodel 文件中，训练状态保存在 examples/mnist/lenet_iter_10000.solverstate 文件中。

下面开始利用训练好的LeNet模型权值文件对测试集进行预测：

1 2 3 4

. /build/tools/caffe  test  -model examples /mnist/lenet_train_test .prototxt  -weights examples /mnist/lenet_iter_10000 .caffemodel  -iterations 100

OK，静等实验结果吧，最终识别率为99%。

总结：通过跑Caffe自带的这个小例子让我大致了解了Caffe的工作流程。