(一)CIFAR-10简述
CIFAR-10是什么?
Cifar-10是由Hinton的两个大弟子Alex Krizhevsky和Ilya Sutskever收集的一个用于普通物体识别的数据集。
CIFAR是由加拿大牵头投资的一个先进的科学项目研究所.Hinton和Bengio以及他的学生在2004年拿到了CIFAR项目投
资的少量资金.建立了神经计算和自适应感知项目.
这个项目集结了不少的科学家,生物学家,电气工程师,神经科学家,物理学家,心理学家,加速推动了DL的进程.
从这个阵容来看,DL和ML系列的数据挖掘分的已经很远了.DL强调的是自适应感知和人工智能,是计算机与神经科学交叉
的一个学科.而ML强调的是高速,大数据,统计数学分析,是计算机和数学的交叉.
(二)cifar-10数据集简介:
1---CIFAR-10(DataSet)这个数据集总共包含:60000张图片
1---图片size:32pixel*32pixel
2---图片深度:三通道RGB的彩色图片
2---这60000张图片:
1---共分为10类,具体的分类如下图所示:
2---60000张图片里面有:
1--50000张训练样本
2--10000张测试样本(验证Set)
3---记住:
1---CIFAR-10:是一个[普通物体]识别的数据集
2---因此,这个数据集和网络模型的最大特点就是:可以很容易的将[物体识别]迁移到其他普通的物体
3---而且可以将10分类问题扩展至100类物体的分类,甚至1000类和更多类的物体分类(当然,需要你们
有更多的GPU和DataSet)
![\](http://www.2cto.com/uploadfile/Collfiles/20161101/201611010925311379.png)
4---注意的一点是:
这个示例中的数据集存在一个L
1---10000*3072的numpy的数组中------10000张图片*每张图片的像素数组
2---单位是uint8s
3---3072存储了一个32*32的彩色图片(3*32*32==3*1024==3072)
4---numpy的前1024位是RGB中的R分量像素值,中间的1024位是G分量的像素值,最后的1024是B分量
的像素值
5---最后注意的一点是:
CIFAR-10这个例子只能用于[小图片]的分类,正如前面讲的Mnist示例,主要用于[手写数字的识别一样]
(三)CIFAR-10所使用的卷积神经CNN的网络模型
1---DL的两大核心:数据+模型,上面,我们比较详细的讲述了CIFAR-10所使用的数据集(DataSet),下面我们来
看看CIFAR-10所使用的网络Net模型吧
2---该模型在caffe中的描述配置文件为:cifar10_quick_train_test.prototxt
3---该文件所在的位置:/home/wei/caffe/examples/cifar10/cifar10_quick_train_test.prototxt,如下
图所示:
![\](http://www.2cto.com/uploadfile/Collfiles/20161101/201611010925311380.png)
4---该CNN-NET主要由:卷积层,POOLing层,非线性变换层,局部对比归一化线性分类器组成
#(四)CIFAR10示例的具体操作运行过程:
1--下载数据集
执行下面的命令:sudo sh ./data/cifar10/get_cifra10.sh
如下图所示:
![\](http://www.2cto.com/uploadfile/Collfiles/20161101/201611010925321381.png)
下载过程如下所示:
![\](http://www.2cto.com/uploadfile/Collfiles/20161101/201611010925321382.png)
下载成功之后,在/home/wei/data/cifar10/文件目录下会看到以下的二进制文件数据:
![\](http://www.2cto.com/uploadfile/Collfiles/20161101/201611010925321383.png)
2--将刚才下载下来的[二进制数据集文件]转换成[caffe所识别的LMDB或者LevelDB格式的数据库形式],并且计算
数据集的均值文件
1---数据格式的转化和计算均值所需要使用的所有的shell命令都被写在了一个shell脚本中,所以我们只需
要运行这个shell脚本就可以了,这个shell脚本在:/home/wei/examples/cifar10/文件夹下,名字为:
create_cifar10.sh
2--使用下面的命令:sudo sh ./examples/cifar10/create_cifar10.sh
3--下载成功之后,会在/home/wei/caffe/examplse/cifar10/目录下生成三个文件(如下图所示):
1--cifar10_train_lmdb--------训练样本数据集
2--cifar10_test_lmdb---------测试样本数据集
3--mean.binaryproto----------数据集的均值文件(用于减均值操作)
![\](http://www.2cto.com/uploadfile/Collfiles/20161101/201611010925321384.png)
(五)训练和测试网络模型
在这个阶段,寻妖准备三个文件:
1---网络模型配置文件:cifar10_quick_train_test.prototxt
2---超参数配置文件solver:cifar10_quick_solver.prototxt
3---训练脚本文件:train_quick.sh
1--建立训练上面数据的网络模型,当然在这个例子中,caffe已经为我们创建好了,那就是/home/wei/caffe/examples/
cifar10/文件夹下面的:cifar10_quick_train_test.prototxt
2---配置参数设置solver文件,当然caffe也已经为我们准备好了,这个文件位于/home/wei/caffe/examples/cifar10/
文件夹下面的:cifar10_quick_solver.prototxt
3---编写训练模型的shell脚本文件:train_quick.sh
4---由于我使用的CPU没有GPU,所以还要改cifar10_quick_solver.prototxt配置文件的最后一项:将GPU改为CPU
准备好数据+模型+参数配置solver文件之后,执行下面的命令:
sudo ./examples/cifar10/train_quick.sh
![\](http://www.2cto.com/uploadfile/Collfiles/20161101/201611010925321385.png)
训练的过程如下所示:
![\](http://www.2cto.com/uploadfile/Collfiles/20161101/201611010925321386.png)
其中,每迭代100次,显示一次训练时的lr(learning rate)和loss(训练损失函数),每过500次,输出score 0(准确率)
注意:
训练完成后,训练好的模型参数存储在二进制protobuf格式的文件中,CIFAR10训练好的模型存储在:/home/wei/
caffe/examples/cifar10/文件夹低下,名字为:cifar10_quick_iter_5000
最后,总结一下训练一个网络用到的相关文件:
cifar10_quick_solver.prototxt:方案配置,用于配置迭代次数等信息,训练时直接调用caffe train指定这个文件,就会开始训练
cifar10_quick_train_test.prototxt:训练网络配置,用来设置训练用的网络,这个文件的名字会在solver.prototxt里指定
cifar10_quick_iter_4000.caffemodel.h5:训练出来的模型,后面就用这个模型来做分类
cifar10_quick_iter_4000.solverstate.h5:也是训练出来的,应该是用来中断后继续训练用的文件
cifar10_quick.prototxt:分类用的网络