caffe读书笔记1 CIFAR-10在caffe上进行训练与学习

原文地址：caffe读书笔记1 CIFAR-10在caffe上进行训练与学习-薛开宇作者：残夕云翳

本次学习笔记作用，知道如何在caffe上训练与学习，如何看结果。

 

1.1使用数据库：CIFAR-10

 

60000张 32X32 彩色图像 10类

50000张训练

10000张测试

 

1.2准备

在终端运行以下指令：

cd $CAFFE_ROOT/data/cifar10

./get_cifar10.sh

cd $CAFFE_ROOT/examples/cifar10

./create_cifar10.sh

 

其中CAFFE_ROOT是caffe-master在你机子的地址

 

运行之后，将会在examples中出现数据库文件./cifar10-leveldb和数据库图像均值二进制文件./mean.binaryproto

 

 

 

1.3模型

该CNN由卷积层，POOLing层，非线性变换层，在顶端的局部对比归一化线性分类器组成。该模型的定义在CAFFE_ROOT/examples/cifar10 directory’s cifar10_quick_train.prototxt中，可以进行修改。其实后缀为prototxt很多都是用来修改配置的。

 

 

1.4训练和测试

训练这个模型非常简单，当我们写好参数设置的文件cifar10_quick_solver.prototxt和定义的文件cifar10_quick_train.prototxt和cifar10_quick_test.prototxt后，运行train_quick.sh或者在终端输入下面的命令：

cd $CAFFE_ROOT/examples/cifar10

./train_quick.sh

即可，train_quick.sh是一个简单的脚本，会把执行的信息显示出来，培训的工具是train_net.bin,cifar10_quick_solver.prototxt作为参数。

然后出现类似以下的信息：

I0317 21:52:48.945710 2008298256 net.cpp:74] Creating Layer conv1

I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <- data

I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 -> conv1

I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape: 100 32 32 32 (3276800)

I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needs backward computation.

这是搭建模型的相关信息

接着：

0317 21:52:49.309370 2008298256 net.cpp:166] Network initialization done.

I0317 21:52:49.309376 2008298256 net.cpp:167] Memory required for Data 23790808

I0317 21:52:49.309422 2008298256 solver.cpp:36] Solver scaffolding done.

I0317 21:52:49.309447 2008298256 solver.cpp:47] Solving CIFAR10_quick_train

之后，训练开始

I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration 100, lr = 0.001

I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration 100, loss = 1.73643

...

I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration 500, Testing net

I0317 21:54:47.129461 2008298256 solver.cpp:114] Test score #0: 0.5504

I0317 21:54:47.129500 2008298256 solver.cpp:114] Test score #1: 1.27805

 

其中每100次迭代次数显示一次训练时lr(learning rate),和loss（训练损失函数），每500次测试一次，输出score 0（准确率）

和score 1（测试损失函数）

 

 

当5000次迭代之后，正确率约为75%，模型的参数存储在二进制protobuf格式在

cifar10_quick_iter_5000

然后，这个模型就可以用来运行在新数据上了。

 

1.5 其他

另外，更改cifar*solver.prototxt文件可以使用CPU训练，

 

# solver mode: CPU or GPU

solver_mode: CPU

 

可以看看CPU和GPU训练的差别。

 

主要资料来源：caffe官网教程