CaffeExample 在CIFAR-10数据集上训练与测试

本文主要来自Caffe作者Yangqing Jia网站给出的examples。

@article{jia2014caffe,
  Author = {Jia, Yangqing and Shelhamer, Evan and Donahue, Jeff and Karayev, Sergey and Long, Jonathan and Girshick, Ross and Guadarrama, Sergio and Darrell, Trevor},
  Journal = {arXiv preprint arXiv:1408.5093},
  Title = {Caffe: Convolutional Architecture for Fast Feature Embedding},
  Year = {2014}
}

1.cuda-convnet

采用的网络是Alex Krizhevsky的cuda-convnet，链接中详细描述了模型的定义、所用的参数、训练过程，在CIFAR-10上取得了很好的效果。

2.数据集的准备

本实验使用的数据集是CIFAR-10，一共有60000张32*32的彩色图像，其中50000张是训练集，另外10000张是测试集。数据集共有10个类别，分别如下所示

下面假定caffe的根目录是CAFFE_ROOT，在终端输入命令下载数据集：

cd $CAFFE_ROOT
./data/cifar10/get_cifar10.sh  #该脚本会下载二进制的cifar，并解压，会在/data/cifar10中出现很多batch文件
./examples/cifar10/create_cifar10.sh  #运行后将会在examples中出现数据集./cifar10_xxx_lmdb和数据集图像均值./mean.binaryproto

3.模型

CIFAR-10的卷积神经网络模型由卷积层，pooling层，ReLU，非线性变换层，局部对比归一化线性分类器组成。该模型定义在CAFFE_ROOT/examples/cifar10/cifar10_quick_train_test.prototxt中。

4.训练和测试“quick”模型

写好网络定义和solver以后，开始训练模型。输入下面的命令：

cd $CAFFE_ROOT
 ./examples/cifar10/train_quick.sh  #先以0.001的学习率迭代4000次，再以0.01的学习率接着再迭代1000次，共5000次

可以看到每一层的详细信息、连接关系及输出的形式，方便调试。

初始化后开始训练：

在solver的设置中，每100次迭代会输出一次训练损失，测试是500次迭代输出一次：

训练阶段，lr是学习率，loss是训练函数。测试阶段，score 0是准确率，score 1是损失函数。最后的结果：

测试准确率大约有0.75，模型参数存储在二进制protobuf格式的文件cifar10_quick_iter_5000中。
参考CAFFE_ROOT/examples/cifar10/cifar10_quick.prototxt的模型定义，就可以训练其他数据了。

5.GPU使用

CIFAR-10比较小，可以用GPU训练，当然也可以用CPU训练。为了比较CPU和GPU的训练速度，通过修改cifar*solver.prototxt中的一行代码来实现。

# solver mode: CPU or GPU
solver_mode: CPU

• 1
• 2

6.”full”模型

同理可以训练full模型，full模型比quick模型迭代次数多，一共迭代70000次，前60000次学习率是0.001，中间5000次学习率是0.0001，最后5000次学习率是0.00001。full模型的网络层数也比quick模型多。
命令是：

cd $CAFFE_ROOT
./examples/cifar10/train_full.sh

• 1
• 2

测试准确率也比quick模型高，大约有0.82。

转自 http://blog.csdn.net/liumaolincycle/article/details/47258937