caffe上手：caffe训练一般过程--wanglei 写给自己

caffe训练一般过程--wanglei.txt
2017-4-9


1. 将图像数据整理成按类存放的形式，类似catch256形式


2.统一所有图像的格式，一般为jpg。【使用“格式工厂”】


3.数据扩充（镜面、裁剪、旋转），一般扩大20倍以上。【使用“Demo_batch_data_augmentation.m”】


4.在扩充得到的数据上，生成类标签classname.txt(以及其同名mat文件)和所有图像imagepathlist_all.txt(以及其同名mat文件)，即产生4个文件。【使用“get_traintxt_and_testtxt_caffe.m”】


5.将扩充得到的数据，按照一定比例（预设值），随机挑选图像，分别得到：文件夹train图像和文件夹test图像，同时分别生成符合caffe规范的两个文件：trian.txt和test.txt。【使用“Get_trainset_testset_from_BigDataSet.m”】


6.检查你所准备好的图像数据（文件夹train和test下图像数是否正确）及其相应的列表文件（train.txt和test.txt下图像行数是否正确）


7.在train图像和val图像上，分别产生相应的LMDB数据。【使用“convertGeneralFormat_tongyong.sh”】


8.在train图像上，生成MeanImage数据。【使用“computMeanImage_tongyong.sh”】


9.修改已有的网络模型结构文件prototxt，主要是替换最后基层IP层（一定要修改原层的名称），以及与它相关层的bolb引用，同时修改替换层相应的权重和偏执的学习率为及学习率的5~10倍（为加快新的替换层参数的学习）；修改数据层的训练和测试阶段的source源；修改meanimage路径；。


10.修改已有的相应solver模型优化文件prototxt，主要是修改net引用位置；修改快照文件夹路径


11.修改deploy.prototxt文件，主要是网络的名字name要与train_val.prototxt相同；修改替换最后基层IP层（一定要修改原层的名称），以及与它相关层的bolb引用；


12.准备与训练好的caffemodel文件（与7.8.9.相对应的）


13.画出相应的模型结构图。【使用“drawnet_tongyong.sh”】


14.开始训练，如：./build/tools/caffe train –solver examples/finetune_myself/models/solver.ptototxt –weights examples/finetune_myself/pre_train_models/bvlc_reference_caffenet


15.训练的结果，训练完成后，得到caffemodel文件。如：models_iter_100000.caffemodel


16.开始测试，如：./build/examples/cpp_classification/classification.bin  **/**/deploy.prototxt   **/***/models_iter_100000.caffemodel   **/**/image_mean.binaryproto   **/**/labels.txt   **/**/car.jpg


17.测试的结果，如：
white - "0.9963"  
gray - "0.0036"  
green - "0.0001" 


18.试着去判断一张图的分类。【使用“Demo_test_ilsvrc12_model.sh”】

19.分析各层数据（导出为.mat文件）。【使用“Demo_Save_pramsoftrainedcaffemodel_to_matformat.py”】