caffe学习笔记——python+mnist手写数字识别

1、数据准备

       之前的博客中已经对mnist数据集进行过介绍，这里我们直接将保存好的图片拿过来处理。数据分成了训练集（60000张共10类）和测试集（共10000张10类），将每个类别放在一个单独的文件夹里。并且将所有的图片，都生成了txt列表清单（train.txt和test.txt)。为节约时间，这里直接下载denny分享的数据集：http://pan.baidu.com/s/1pLMV4Kz

       在caffe根目录下新建一个mnist文件夹，并将图片解压在该文件夹下。（一般caffe程序都是先将图片转换成lmdb文件，这里直接使用图片操作，导致均值很难计算，因此不进行减均值运算）

2、导入caffe库

import caffe
from caffe import layers as L,params as P,proto,to_proto
#设定文件的保存路径
root='D:/caffe/caffe-master/caffe-master/mnist/'                           #根目录
train_list=root+'mnist/train/train.txt'     #训练图片列表
test_list=root+'mnist/test/test.txt'        #测试图片列表
train_proto=root+'mnist/train.prototxt'     #训练配置文件
test_proto=root+'mnist/test.prototxt'       #测试配置文件
solver_proto=root+'mnist/solver.prototxt'   #参数文件

压缩文件中除了包含了训练及测试图片外还包含相应的TXT文件。

3、生成配置文件

用python生成后缀名为prototxt的配置文件，即为network进行构造：

#编写一个函数，生成配置文件prototxt
def Lenet(img_list,batch_size,include_acc=False):
    #第一层，数据输入层，以ImageData格式输入
    data, label = L.ImageData(source=img_list, batch_size=batch_size, ntop=2,root_folder=root,
        transform_param=dict(scale= 0.00390625))
    #第二层：卷积层
    conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=20, pad=0,weight_filler=dict(type='xavier'))
    #池化层
    pool1=L.Pooling(conv1, pool=P.Pooling.MAX, kernel_size=2, stride=2)
    #卷积层