caffe使用教程

Caffe使用教程
Caffe安装
（1）macOS安装
1.安装homebrew包管理工具
点击http://brew.sh/进入homebrew官网，复制安装命令到终端，等待安装
2.安装完成后，利用homebrew下载caffe依赖包，复制以下命令到终端
brew install -vd snappy leveldb gflags glog szip lmdb
brew install homebrew/science
brew install hdf5 opencv
brew install protobuf boost wget
3.下载caffe源代码，复制一下命令到终端
git clone https://github.com/bvlc/caffe.git
注：若以上所需无下载速度，请翻墙下载
ubuntu安装
略
Caffe调试
1.修改配置文件,复制以下命令到命令行
cd caffe/
mv Makefile.config.example Makefile.config
打开Makfile.config 找到#CPU_ONLY :=1,将#删除
CPU_ONLY :=1
执行make -j编译
注：可以指定线程，make -j8开启八线程编译
若其中报错，请自行百度
数据集准备
准备图片进行分类，首先需准备不同类别的图片
首先将图片分为两批次：训练集和验证集，比例大约为5：1
比如有五种图片需要进行分类，分别是cat，dog，fish，rabbit，mouse，则分别新建五个文件夹分别存放这几类图片，并将五个文件夹再放入一个文件夹，命名为train，即train文件夹下分别有cat，dog，fish，rabbit，mouse五个文件夹，五个文件夹下有各个类别的图片
2新建一个文件夹命名为val，即我们需要的验证集，将val文件夹放置在和train文件夹同一个目录下如myself目录，从train文件，抽取1/6图片放入val文件夹下，也可在此之前提前分好。
3在train和val文件夹下创建train.txt和val.txt,以上总步骤如下图所示

用python或脚本将train文件夹中的文件路径文件名和文件标签记录到train.txt中，val.txt同理，其中文件名和标签之间用空格隔开，标签应该从0开始，假设dog目录下有dog1和dog2两张图片，cat下有cat1和cat2两张图片，其他类似。则train.txt中的条目如下图所示

val.txt文件如下图所示

数据集转换
1.将图片转换成lmdb格式，lmdb是caffe的输入格式，我们caffe的examples文件夹中create_imagenet.sh脚本来转换格式，也可以自己编写脚本，格式类似。
2.新建一个文件夹用于存放我们需要用到的网络和lmdb和其他脚本文件
3.修改create_imagenet.sh，将EXAMPLES中的路径改成自己网络的存放路径
DATA路径替换成自己存放图片的路径，TOOLS不变，将TRAIN_DATA_ROOT文件路径 改为train文件夹的路径，VAL_DATA_ROOT同理，可以看到TRAIN_DATA_ROOT的路径和train.txt文件中路径合起来刚好是图片的完整路径,VAL_DATA_ROOT同理
3.将RESIZE改为true，我们调整图片大小使得输入维度减少，增加训练速度

4.GLOG路径中最后$EXAMPLES即是产生的lmdb文件，一个是train一个是val，路径保存到上图中的EXAMPLES的路径下，可自行修改lmdb名字

下面用lmdb生成meanfile，计算图像均值，减少输入，可以用imagenet中的make_imagenet_mean.sh做修改，并拷贝到自己的网络目录中，也可以自己写脚本
compute_image_mean为计算图像均值工具，EXANPLES后为刚生成的lmdb文件，若自己修改了上图文本中的lmdb名字，请将名字对应，生成的meanfile是DATA路径下的binaryproto，可自行修改binaryproto名字

配置文件修改
1.我们可以选用caffe自带的网络，也可以用自己的网络，下面我选用alexnet网络为例，将models中的alex网络拷贝到自己的文件夹中，修改其中的solver.prototxt文件和train_val.prototxt文件，这两个文件也可以自己写
2.将我们需用的网络net的完整路径修改，里面各项参数都可以自行修改，在此不一一解释，具体意义请自行查略，snapshot为model保存路径，修改为网络的完整路径，solver_mode修改为cpu

3.修改train_val.prototxt文件，里面参数都可以自行修改，就不一一介绍，最主要的修改的地方，第一mean_file路径修改为自己保存binaryproto的绝对路径。下图中的source和mean_file的路径同上。

训练网络
命令行输入以下命令
./build/tools/caffe train –solver=/Users/Songie/caffe/examples/myself/bvlc_alexnet/solver.prototxt
sovler路径修改为自己solver的绝对路径
使用model
命令行输入以下命令

Model参数为定义网络的prototxt文件的绝对路径，weights参数为已经训练好的权重和偏置的model，iterations为你想定义的迭代次数