发布时间：2023-11-07 13:00
在完成winodws平台上的caffe环境的搭建之后，亟待掌握的就是如何在caffe中进行训练与学习，下面将进行简单的介绍。
CIFAR-10数据库的下载地址：http://www.cs.toronto.edu/~kriz/cifar.html
CIFAR-10数据库：
60000张32*32大小的彩色图像共计10类（airplane、automobile、 bird、cat 、deer、dog、frog、 horse、ship、truck）
每一类6000张
其中50000张用于训练
10000张用于测试
下载完成后，将其解压缩至.../caffe-master/data/cidar10/下，与get_cifar10.sh放在一起，其实./get_cifar10.sh命令的作用也就是“下载并解压缩”，只不过是linux环境下的而已。
可以看到，data_batch_1.bin、data_batch_2.bin、data_batch_3.bin、data_batch_4.bin和data_batch_5.bin包含了该数据库中的50000张共10类（每类5000张）彩色图像，是用于训练的，而test_batch_.bin中包含了10000张共10类（每类1000张）是用于测试的。
进入.../caffe-master/examples/cidar10/路径下，若是在linux下，则直接执行./create_cifar10.sh即可。
但是我们这里说的是windows环境，若windows平台上的caffe环境搭建成功（参考：http://blog.csdn.net/frd2009041510/article/details/52998786），执行F5后，会在caffe-master下生成一个Bulid文件夹，可以在.../caffe-master/Build/x64/Release/下面看到convert_cifar_data.exe（作用：转换为LEVELDB格式或LMDB格式，才能被caffe识别）和compute_image_mean.exe（作用：计算图像平均值）这两个可执行程序，它们就是转换cifar数据库为leveldb格式的数据库的命令。
注：caffe为什么采用LEVELDB格式或LMDB格式，而不是直接读取原始数据？
答：原因有二：一是数据类型多种多样，转换为统一格式可以简化数据读取层的实现；二是使用LEVELDB格式或LMDB格式可以提高磁盘IO利用率。
为了完成在windows环境下的数据库格式的转换，需要利用cmd进行dos命令的输入。
进入convert_cifar_data.exe所在的路径.../caffe-master/Build/x64/Release/，在cmd中执行：
convert_cifar_data.exe ../../../data/cifar10/ ../../../examples/cifar10 lmdb接着，将db格式的训练图像进行求平均值，进入convert_cifar_data.exe所在的路径.../caffe-master/Build/x64/Release/，在cmd中执行：
compute_image_mean.exe -backend=lmdb ../../../examples/cifar10/cifar10_train_lmdb ../../../examples/cifar10/mean.binaryproto
该CNN由卷积层、POOLing层、非线性变换层以及在顶端的局部对比归一化线性分类器组成。
我们可以看到，在.../caffe-master/examples/cifar10/路径下有一堆*.prototxt，它们均是用来修改配置参数的。
由于我们所采用的平台没有英伟达的GPU，故只能采用CPU进行训练，所以将cifar10_quick_solver.prototxt和cifar10_quick_solver_lr1.prototxt中的solver_mode:GPU均改为solver_mode:CPU。这两个参数配置文件是用来协调模型的优化的，例如学习因子（learning rate）。
训练或者测试时都要采用Release模式下的caffe.exe，进入.../caffe-master/Build/x64/Release/路径下，采用dos命令行，也就是执行cmd，执行下列命令：
caffe train --solver=../../../examples/cifar10/cifar10_quick_solver.prototxt
上述命令执行完毕后会生成cifar10_quick_iter_4000.caffemodel.h5以及cifar10_quick_iter_4000.solverstate.h5两个文件，其中cifar10_quick_iter_4000.solverstate.h5将在进一步的训练中使用到，而cifar10_quick_iter_4000.caffemodel.h5模型权值文件可用于数据集的测试（此处可不用，因为还有下面更深层的训练，会生成更深层的模型权值文件cifar10_quick_iter_5000.caffemodel.h5）。
接下来执行如下命令：
caffe train --solver=../../../examples/cifar10/cifar10_quick_solver_lr1.prototxt --snapshot=../../../examples/cifar10/cifar10_quick_iter_4000.solverstate.h5
上述命令执行完毕后会生成cifar10_quick_iter_5000.caffemodel.h5以及cifar10_quick_iter_5000.solverstate.h5两个文件，在此例子中，就是用cifar10_quick_iter_5000.caffemodel.h5模型权值文件进行预测的。
【必须注意的是】修改对应需要文件的路径（因为我们是在windows下执行的），否则会一直报错，可以根据报错内容修改对应的文件路径，需要修改的文件内容中的路径一般是cifar10_quick_solver.prototxt和cifar10_quick_solver_lr1.prototxt中的net以及snapshot_prefix对应的路径，还有cifar10_quick_train_test.prototxt中的mean_file和source对应的路径。
下面将对配置文件中的内容进行简单说明或解释：
net：用于训练、预测的网络描述文件
test_iter：预测阶段迭代次数
test_interval：训练时每迭代多少次，进行一次预测
base_lr、momentum、weight_delay：网络的基础学习速率、冲量和权衰量
lr_policy：学习速率的衰减策略
display：每经过多少次迭代，在屏幕上打印一次运行日志
max_iter：最大迭代次数
snapshot：每多少次迭代打印一次快照
solver_mode：caffe的求解模式，根据实际情况选择GPU或CPU
其实，预测就是用训练好的模型进行预测，对于此例子来说，就是使用cifar10_quick_iter_5000.caffemodel.h5模型权值文件进行预测的。
同理，对于windows平台，进入.../caffe-master/Build/x64/Release/路径下，采用dos命令行，也就是执行cmd，执行下列命令：
caffe test -model ../../../examples/cifar10/cifar10_quick_train_test.prototxt -weights ../../../examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 -iterations 100test ：表示只做预测（前向传播计算），不进行参数更新（后向传播计算）
-model ../../../examples/cifar10/cifar10_quick_train_test.prototxt：指定模型描述文本文件
-weights ../../../examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 ：指定模型权值文件，也就是预先训练出来的模型或者说权值文件
-iterations 100：指定迭代的次数，也就是参与测试的样本数目。
根据测试结果，可以看出，采用cifar10_quick_iter_5000.caffemodel.h5模型权值文件进行预测时，准确率为0.75，采用cifar10_quick_iter_4000.caffemodel.h5模型权值文件进行预测时，准确率为0.7159，说明训练样本的多少与训练出来的模型还是有很大关系，这一点非常好理解，学得越多懂得也就越多，碰到新问题解决问题的能力就越强，与人一样。