Caffe训练流程总结

Caffe训练步骤如下，

• Convert data(run a script)：

使用Caffe训练的第一步，就是对数据进行处理，把数据打包成数据源的格式，比如LMDB、HDF5，再把数据源交给Caffe训练；

• Define net(edit prototxt)：

数据准备工作做好后，第二步就是编写网络配置文件，一般来说有三个，分别是train.prototxt、test.prototxt和deploy.prototxt。以上这几个文件的作用是分别是定义一个网络的训练模型、测试模型和前向推导模型。卷积神经网络有很多种类，网络是由自己定义出来的，定义时只需要写一个配置文件，不需要写代码；

• Define slover(edit prototxt)：

还有一个重要的超参数配置文件，就是solver.prototxt。这个配置文件定义一些Solver从而控制超参数，其中会指定train.prototxt和test.prototxt的路径，训练时也是直接指定该配置文件来进行训练的；

• Train(with pretrained weights)(run a script)：

上述准备工作做好后，Ubuntu系统中直接调用命令行就能完成训练工作。直接使用 “caffe train + 超参数配置文件solver.prototxt” 命令训练网络，接下来要做的就是等待结果，使用生成的模型文件（*.caffemodel、*.solverstate）测试效果，不断迭代数据、调参的重复过程。

下图是caffe自带的mnist示例（路径：~/caffe/examples/mnist），可以做一个理解的参考。

说明

第二步中定义网络如何定义呢？——先写数据层，再写卷积层，全连接层，每一个层里有很多的参数项。

第三步中定义Solver配置文件，弄清楚所表达的意思。

第四步直接训练就可以了，直接调用命令，在命令中可以指定使用的GPU等选项。

具体例子参考：

使用MNIST数据集验证Caffe是否安装成功

完整教程：使用caffe测试mnist数据集

Caffe Resnet 简单的图像分类示例