caffe:自己搭建网络来训练

1.准备样本

　　要训练自己的样本，首先需要把样本准备好，需要准备的是训练集和测试集，caffe支持直接使用图片，当然把样本转换为leveldb或lmdb格式的话训练起来会更快一点。这里我先偷个懒，直接使用图片吧 [尴尬.jpg]

　　训练集和测试集是一样的，不过样本不要重叠。首先我把训练集的图片都放在一个目录，然后shift+右键选择该目录，打开cmd，使用命令 dir /s/b >train.txt ，这样就在该目录下生成了一份所有图片的列表，效果如下

　　然后使用查找替换功能把它修改成下面这个样子，后面的0,1,,序号是为每个类别的样本分配的标签，需要从0开始：

位置/../xx1.jpg
位置/../xx2.jpg
位置/../xx3.jpg
位置/../xx4.jpg
位置/../xx5.jpg
位置/../xx6.jpg
.....................

　　这里样本的准备已经差不多了，最后一步是需要生成均值文件 binaryproto，生成均值文件之前需要先将图片转换为lmdb，这里可以使用caffe自带的工具来生成（vs编译后会在bin文件夹下生成comput_image_mean.exe 和 convert_imageset.exe）

　　打开cmd，然后运行：

convert_imageset -shuffle -resize_height= -resize_width= J:/Caffe/train/ J:/Caffe/train/train.txt J:/Caffe/train/lmdb

　　使用命令生成均值文件：

compute_image_mean J:/Caffe/train/lmdb J:/Caffe/train/train.binaryproto

　　到这里训练集已经准备好了，然后测试集同上，最后我把它们全放在了data文件夹下，该文件夹下包含训练和测试所需的所有图片，图片列表train.txt和test.txt，均值文件train.binaryproto（我的测试也是使用这个均值文件）

2. 编写配置文件solver，我在caffe目录下的face_example目录下新建了my_solver.prototxt，编写如下：

net: "face_example/my_train.prototxt" # 网络结构文件的位置
test_iter: # 迭代次数，根据batch大小来
test_interval: # 测试间隔

base_lr:0.001 # 学习率
lr_policy: "multistep"
gamma: 0.1

stepvalue:  # 设置学习率什么时候减小
stepvalue:
stepvalue:
stepvalue:
max_iter:  # 最大迭代次数

display:  # 每训练100次显示一次
momentum: 0.9 # 设置冲量
weight_decay: 0.0005
snapshot:  # 每200次保存一个快照文件
snapshot_prefix: "face_example/face_snapshot" # 快照文件保存位置

solver_mode:GPU # 使用GPU训练

3. 编写网络定义文件，新建 my_train.prototxt ,编写如下：

name: "my_caffe_test"

layer{
    name: "data"
    type: "ImageData"
    top: "data"
    top: "label"
    include{
        phase:TRAIN
    }
    transform_param{
        mean_file:"face_example/train.binaryproto"
        scale: 0.0078125
        mirror:true
    }
    image_data_param{
        source:"face_example/data/train.txt"
        batch_size:
        shuffle:true
    }
}

layer{
    name: "data"
    type: "ImageData"
    top: "data"
    top: "label"
    include{
        phase:TEST
    }
    transform_param{
        mean_file:"face_example/train.binaryproto"
        scale: 0.0078125
        mirror:true
    }
    image_data_param{
        source:"face_example/data/test.txt"
        batch_size:
        shuffle:true
    }
}

layer{
    name: "conv1"
    type: "Convolution"
    bottom: "data"
    top: "conv1"
    param{
        lr_mult:  # 和base_lr相乘
        decay_mult:
    }
    convolution_param{
        num_output:
        kernel_size:
        stride:
        weight_filler{
            type: "xavier"
        }
        bias_filler{
            type: "constant"
            value:
        }
    }
}

layer{
    name: "relu1"
    type: "PReLU"
    bottom: "conv1"
    top: "conv1"
}

layer{
    name: "conv2"
    type: "Convolution"
    bottom: "conv1"
    top: "conv2"
    param{
        lr_mult:
        decay_mult:
    }
    convolution_param{
        num_output:
        kernel_size:
        stride:  # 步长
        weight_filler{
            type: "xavier"
        }
        bias_filler{
            type: "constant"
            value:
        }
    }
}

layer{
    name: "relu2"
    type: "PReLU"
    bottom: "conv2"
    top: "conv2"
}

layer{
    name: "pool1"
    type: "Pooling"
    bottom: "conv2"
    top: "pool1"
    pooling_param{
        pool: MAX
        kernel_size:
        stride:
    }
}

layer{
    name: "conv3"
    type: "Convolution"
    bottom: "pool1"
    top: "conv3"
    param{
        lr_mult:
        decay_mult:
    }
    convolution_param{
        num_output:
        kernel_size:
        stride:
        weight_filler{
            type: "xavier"
        }
        bias_filler{
            type: "constant"
            value:
        }
    }
}

layer{
    name: "relu3"
    type: "PReLU"
    bottom: "conv3"
    top: "conv3"
}

layer{
    name: "fc1"
    type: "InnerProduct"
    bottom: "conv3"
    top: "fc1"
    param{
        lr_mult:
        decay_mult:
    }
    inner_product_param{
        num_output:
        weight_filler{
            type: "xavier"
        }
        bias_filler{
            type: "constant"
            value:
        }
    }
}

layer{
    name: "fc2"
    type: "InnerProduct"
    bottom: "fc1"
    top: "fc2"
    param{
        lr_mult:
        decay_mult:
    }
    inner_product_param{
        num_output:
        weight_filler{
            type: "xavier"
        }
        bias_filler{
            type: "constant"
            value:
        }
    }
}

layer{
    name: "softmax_loss"
    type: "SoftmaxWithLoss"
    bottom: "fc2"
    bottom: "label"
    top: "softmax_loss"
}

4. 然后开始训练，打开cmd，输入命令：

caffe train -solver=face_example/my_solver.prototxt