理清项目训练、测试流程
一、要领介绍
在caffe编译完后，在caffe目录下会生成一个build目录，在build目录下有个tools，这个里面有个可执行文件caffe。只需要学会调用这个可执行文件就可以了，这便是最简单的caffe学习，不需要对caffe底层的东西懂太多，只需要会调参数，就可以构建自己的网络，然后调用这个可执行文件就可以进行训练，当然如果你不仅仅是调参数，而且想要更改相关的算法，那就要深入学习caffe的底层函数调用了。
二、大体步骤
1、数据格式处理（.jpg,.png等图片以及标注标签） (lmdb格式 / leveldb格式)
create_imagenet.sh（caffe/example/imagenet） : 这个文件可快速生成lmdb的数据格式，只需复制这个脚本文件出来，稍作修改，就可以对我们的训练图片、标注文件进行打包为lmdb格式文件了。
（ 注意：自己对自己的图像数据进行数据处理要制作四个文件：train和val文件夹存放图像，train.txt和val.txt 图片名和标签 ）
按需修改：
# N.B. set the path to the imagenet train + val data dirs（路径修改）
set -e
EXAMPLE=examples/imagenet （# 生成模型训练数据文化夹）
DATA=data/ilsvrc12 （# python脚本处理后数据路径）
TOOLS=build/tools （# caffe的工具库，不用变）
TRAIN_DATA_ROOT=train/ (#待处理的训练数据图片路径)（新建）
VAL_DATA_ROOT=val/ (#待处理的验证数据图片路径) （新建）
# Set RESIZE=true to resize the images to 256x256. Leave as false if images have
# already been resized using another tool.（一般在网络中用了其他工具）
RESIZE=false (使用：RESIZE=true #图片缩放)
if $RESIZE; then
RESIZE_HEIGHT=256
RESIZE_WIDTH=256
else
RESIZE_HEIGHT=0
RESIZE_WIDTH=0
....
$DATA/train.txt \ #标签训练数据文件
$DATA/val.txt \ #验证集标签数据
2、编写网络结构文件（.prototxt (如lenet_train_test.prototxt)）（网络有多少层，每一层有多少个特征图，输入、输出……）
type: "Data" ： 定义的data层，定义（train/test）输入数据的路径、图片变换等
3、网络求解文件（solver.prototxt （lenet_solver.prototxt））（描述：求解网络，梯度下降参数、迭代次数等参数、CPU/GPU…）
首句：<span style="font-size:18px;">net: "examples/mnist/lenet_train_test.prototxt"
文件输入就是我们前面一步定义的网络结构的位置
4、编写网络求解文件后，要把（solver.prototxt）文件作为caffe的输入参数，调用caffe可执行文件，进行训练就可以了。
开始训练的具体命令如下：
1、 ./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt
2、 sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh
（
#!/usr/bin/env sh
set -e
./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt $@
）
（命令行讲解地址）：
http://blog.youkuaiyun.com/qq_36620489/article/details/74853334
三、总结：
文件调用过程：首先caffe可执行文件，调用了solver.prototxt文件，而这个文件又调用了网络结构文件lenet_train_test.prototxt，然后lenet_train_test.prototxt文件里面又会调用输入的训练图片数据等。
训练自己的模型，需要备好3个文件：数据文件lmdb(该文件包含寻数据)、网络结构lenet_train_test.prototxt、求解文件solver.prototxt，这几个文件名随便，但是文件后缀格式不要随便乱改。把这三个文件放在同一个目录下，然后在终端输入命令，调用caffe就可以开始训练了。
四、具体操作细节
数据处理制作四个文件
1、文件夹train，用于存放训练图片
2、文件夹val，用于存放验证图片
3、文件train.txt，里面包含这每张图片的名称，及其对应的标签。
<span style="font-size:18px;">first_batch/train_female/992.jpg 1
first_batch/train_female/993.jpg 1
first_batch/train_female/994.jpg 1
first_batch/train_female/995.jpg 1
first_batch/train_female/996.jpg 1
first_batch/train_female/997.jpg 1
first_batch/train_female/998.jpg 1
first_batch/train_female/999.jpg 1
first_batch/train_male/1000.jpg 0
first_batch/train_male/1001.jpg 0
first_batch/train_male/1002.jpg 0
first_batch/train_male/1003.jpg 0
first_batch/train_male/1004.jpg 0
first_batch/train_male/1005.jpg 0
first_batch/train_male/1006.jpg 0
first_batch/train_male/1007.jpg 0
first_batch/train_male/1008.jpg 0</span>
上面的标签编号:1，表示女。标签：0，表示男。
4、文件val.txt，同样这个文件也是保存图片名称及其对应的标签。
这四个文件在上面的脚本文件中，都需要调用到。制作玩后，跑一下 create_imagenet.sh脚本文件，就ok了，跑完后，即将生成下面两个文件夹： train_lmdb / val_lmdb
文件夹下面有两个对应的文件： data.mdb / lock.mdb
（这文件和系统自带例子一样）
制作完后，要看看文件的大小，有没有问题，如果就几k，那么正常是没做好训练数据，除非你的训练图片就几张。
二、训练
1、直接训练法
#!/usr/bin/env sh
TOOLS=../cafferead/build/tools
$TOOLS/caffe train --solver=gender_solver.prorotxt -gpu all #加入 -gpu 选项
-gpu 可以选择gpu的id号，如果是 -gpu all表示启用所有的GPU进行训练。
2、采用funing-tuning 训练法
$TOOLS/caffe train --solver=gender_solver.prorotxt -weights gender_net.caffemodel #加入-weights
加入-weights，这个功能很好用，也经常会用到，因为现在的CNN相关的文献，很多都是在已有的模型基础上，进行fine-tuning，因为我们大部分人都缺少训练数据，不像谷歌、百度这些土豪公司，有很多人专门做数据标注，对于小公司而言，往往缺少标注好的训练数据。因此我们一般使用fine-tuning的方法，在少量数据的情况下，尽可能的提高精度。我们可以使用：-weights 选项，利用已有的模型训练好的参数，作为初始值，进行继续训练。
三、调用Python接口
训练完毕后，我们就可以得到caffe的训练模型了，接着我们的目标就预测，看看结果了。caffe为我们提供了方便调用的python接口函数，这些都在模块pycaffe里面。因此我们还需要知道如何使用pycaffe，进行测试，查看结果。下面是pycaffe的预测调用使用示例：
# coding=utf-8
import os
import numpy as np
from matplotlib import pyplot as plt
import cv2
import shutil
import time
#因为RGB和BGR需要调换一下才能显示
def showimage(im):
if im.ndim == 3:
im = im[:, :, ::-1]
plt.set_cmap('jet')
plt.imshow(im)
plt.show()
#特征可视化显示，padval用于调整亮度
def vis_square(data, padsize=1, padval=0):
data -= data.min()
data /= data.max()
#因为我们要把某一层的特征图都显示到一个figure上，因此需要计算每个图片占用figure多少比例，以及绘制的位置
n = int(np.ceil(np.sqrt(data.shape[0])))
padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)
data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))
# tile the filters into an image
data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))
data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])
showimage(data)
#设置caffe源码所在的路径
caffe_root = '../../../caffe/'
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe
#加载均值文件
mean_filename='./imagenet_mean.binaryproto'
proto_data = open(mean_filename, "rb").read()
a = caffe.io.caffe_pb2.BlobProto.FromString(proto_data)
mean = caffe.io.blobproto_to_array(a)[0]
#创建网络，并加载已经训练好的模型文件
gender_net_pretrained='./caffenet_train_iter_1500.caffemodel'
gender_net_model_file='./deploy_gender.prototxt'
gender_net = caffe.Classifier(gender_net_model_file, gender_net_pretrained,mean=mean,
channel_swap=(2,1,0),#RGB通道与BGR
raw_scale=255,#把图片归一化到0~1之间
image_dims=(256, 256))#设置输入图片的大小
#预测分类及其可特征视化
gender_list=['Male','Female']
input_image = caffe.io.load_image('1.jpg')#读取图片
prediction_gender=gender_net.predict([input_image])#预测图片性别
#打印我们训练每一层的参数形状
print 'params:'
for k, v in gender_net.params.items():
print 'weight:'
print (k, v[0].data.shape)#在每一层的参数blob中，caffe用vector存储了两个blob变量，用v[0]表示weight
print 'b:'
print (k, v[1].data.shape)#用v[1]表示偏置参数
#conv1滤波器可视化
filters = gender_net.params['conv1'][0].data
vis_square(filters.transpose(0, 2, 3, 1))
#conv2滤波器可视化
'''''filters = gender_net.params['conv2'][0].data
vis_square(filters[:48].reshape(48**2, 5, 5))'''
#特征图
print 'feature maps:'
for k, v in gender_net.blobs.items():
print (k, v.data.shape);
feat = gender_net.blobs[k].data[0,0:4]#显示名字为k的网络层,第一张图片所生成的4张feature maps
vis_square(feat, padval=1)
#显示原图片，以及分类预测结果
str_gender=gender_list[prediction_gender[0].argmax()]
print str_gender
plt.imshow(input_image)
plt.title(str_gender)
plt.show()
上面的接口，同时包含了pycaffe加载训练好的模型，进行预测及其特征可视化的调用方法。
参考博客：
一、要领介绍
在caffe编译完后，在caffe目录下会生成一个build目录，在build目录下有个tools，这个里面有个可执行文件caffe。只需要学会调用这个可执行文件就可以了，这便是最简单的caffe学习，不需要对caffe底层的东西懂太多，只需要会调参数，就可以构建自己的网络，然后调用这个可执行文件就可以进行训练，当然如果你不仅仅是调参数，而且想要更改相关的算法，那就要深入学习caffe的底层函数调用了。
二、大体步骤
1、数据格式处理（.jpg,.png等图片以及标注标签） (lmdb格式 / leveldb格式)
create_imagenet.sh（caffe/example/imagenet） : 这个文件可快速生成lmdb的数据格式，只需复制这个脚本文件出来，稍作修改，就可以对我们的训练图片、标注文件进行打包为lmdb格式文件了。
（ 注意：自己对自己的图像数据进行数据处理要制作四个文件：train和val文件夹存放图像，train.txt和val.txt 图片名和标签 ）
按需修改：
# N.B. set the path to the imagenet train + val data dirs（路径修改）
set -e
EXAMPLE=examples/imagenet （# 生成模型训练数据文化夹）
DATA=data/ilsvrc12 （# python脚本处理后数据路径）
TOOLS=build/tools （# caffe的工具库，不用变）
TRAIN_DATA_ROOT=train/ (#待处理的训练数据图片路径)（新建）
VAL_DATA_ROOT=val/ (#待处理的验证数据图片路径) （新建）
# Set RESIZE=true to resize the images to 256x256. Leave as false if images have
# already been resized using another tool.（一般在网络中用了其他工具）
RESIZE=false (使用：RESIZE=true #图片缩放)
if $RESIZE; then
RESIZE_HEIGHT=256
RESIZE_WIDTH=256
else
RESIZE_HEIGHT=0
RESIZE_WIDTH=0
....
$DATA/train.txt \ #标签训练数据文件
$DATA/val.txt \ #验证集标签数据
2、编写网络结构文件（.prototxt (如lenet_train_test.prototxt)）（网络有多少层，每一层有多少个特征图，输入、输出……）
type: "Data" ： 定义的data层，定义（train/test）输入数据的路径、图片变换等
3、网络求解文件（solver.prototxt （lenet_solver.prototxt））（描述：求解网络，梯度下降参数、迭代次数等参数、CPU/GPU…）
首句：<span style="font-size:18px;">net: "examples/mnist/lenet_train_test.prototxt"
文件输入就是我们前面一步定义的网络结构的位置
4、编写网络求解文件后，要把（solver.prototxt）文件作为caffe的输入参数，调用caffe可执行文件，进行训练就可以了。
开始训练的具体命令如下：
1、 ./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt
2、 sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh
（
#!/usr/bin/env sh
set -e
./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt $@
）
（命令行讲解地址）：
http://blog.youkuaiyun.com/qq_36620489/article/details/74853334
三、总结：
文件调用过程：首先caffe可执行文件，调用了solver.prototxt文件，而这个文件又调用了网络结构文件lenet_train_test.prototxt，然后lenet_train_test.prototxt文件里面又会调用输入的训练图片数据等。
训练自己的模型，需要备好3个文件：数据文件lmdb(该文件包含寻数据)、网络结构lenet_train_test.prototxt、求解文件solver.prototxt，这几个文件名随便，但是文件后缀格式不要随便乱改。把这三个文件放在同一个目录下，然后在终端输入命令，调用caffe就可以开始训练了。
四、具体操作细节
数据处理制作四个文件
1、文件夹train，用于存放训练图片
2、文件夹val，用于存放验证图片
3、文件train.txt，里面包含这每张图片的名称，及其对应的标签。
<span style="font-size:18px;">first_batch/train_female/992.jpg 1
first_batch/train_female/993.jpg 1
first_batch/train_female/994.jpg 1
first_batch/train_female/995.jpg 1
first_batch/train_female/996.jpg 1
first_batch/train_female/997.jpg 1
first_batch/train_female/998.jpg 1
first_batch/train_female/999.jpg 1
first_batch/train_male/1000.jpg 0
first_batch/train_male/1001.jpg 0
first_batch/train_male/1002.jpg 0
first_batch/train_male/1003.jpg 0
first_batch/train_male/1004.jpg 0
first_batch/train_male/1005.jpg 0
first_batch/train_male/1006.jpg 0
first_batch/train_male/1007.jpg 0
first_batch/train_male/1008.jpg 0</span>
上面的标签编号:1，表示女。标签：0，表示男。
4、文件val.txt，同样这个文件也是保存图片名称及其对应的标签。
这四个文件在上面的脚本文件中，都需要调用到。制作玩后，跑一下 create_imagenet.sh脚本文件，就ok了，跑完后，即将生成下面两个文件夹： train_lmdb / val_lmdb
文件夹下面有两个对应的文件： data.mdb / lock.mdb
（这文件和系统自带例子一样）
制作完后，要看看文件的大小，有没有问题，如果就几k，那么正常是没做好训练数据，除非你的训练图片就几张。
二、训练
1、直接训练法
#!/usr/bin/env sh
TOOLS=../cafferead/build/tools
$TOOLS/caffe train --solver=gender_solver.prorotxt -gpu all #加入 -gpu 选项
-gpu 可以选择gpu的id号，如果是 -gpu all表示启用所有的GPU进行训练。
2、采用funing-tuning 训练法
$TOOLS/caffe train --solver=gender_solver.prorotxt -weights gender_net.caffemodel #加入-weights
加入-weights，这个功能很好用，也经常会用到，因为现在的CNN相关的文献，很多都是在已有的模型基础上，进行fine-tuning，因为我们大部分人都缺少训练数据，不像谷歌、百度这些土豪公司，有很多人专门做数据标注，对于小公司而言，往往缺少标注好的训练数据。因此我们一般使用fine-tuning的方法，在少量数据的情况下，尽可能的提高精度。我们可以使用：-weights 选项，利用已有的模型训练好的参数，作为初始值，进行继续训练。
三、调用Python接口
训练完毕后，我们就可以得到caffe的训练模型了，接着我们的目标就预测，看看结果了。caffe为我们提供了方便调用的python接口函数，这些都在模块pycaffe里面。因此我们还需要知道如何使用pycaffe，进行测试，查看结果。下面是pycaffe的预测调用使用示例：
# coding=utf-8
import os
import numpy as np
from matplotlib import pyplot as plt
import cv2
import shutil
import time
#因为RGB和BGR需要调换一下才能显示
def showimage(im):
if im.ndim == 3:
im = im[:, :, ::-1]
plt.set_cmap('jet')
plt.imshow(im)
plt.show()
#特征可视化显示，padval用于调整亮度
def vis_square(data, padsize=1, padval=0):
data -= data.min()
data /= data.max()
#因为我们要把某一层的特征图都显示到一个figure上，因此需要计算每个图片占用figure多少比例，以及绘制的位置
n = int(np.ceil(np.sqrt(data.shape[0])))
padding = ((0, n ** 2 - data.shape[0]), (0, padsize), (0, padsize)) + ((0, 0),) * (data.ndim - 3)
data = np.pad(data, padding, mode='constant', constant_values=(padval, padval))
# tile the filters into an image
data = data.reshape((n, n) + data.shape[1:]).transpose((0, 2, 1, 3) + tuple(range(4, data.ndim + 1)))
data = data.reshape((n * data.shape[1], n * data.shape[3]) + data.shape[4:])
showimage(data)
#设置caffe源码所在的路径
caffe_root = '../../../caffe/'
import sys
sys.path.insert(0, caffe_root + 'python')
import caffe
#加载均值文件
mean_filename='./imagenet_mean.binaryproto'
proto_data = open(mean_filename, "rb").read()
a = caffe.io.caffe_pb2.BlobProto.FromString(proto_data)
mean = caffe.io.blobproto_to_array(a)[0]
#创建网络，并加载已经训练好的模型文件
gender_net_pretrained='./caffenet_train_iter_1500.caffemodel'
gender_net_model_file='./deploy_gender.prototxt'
gender_net = caffe.Classifier(gender_net_model_file, gender_net_pretrained,mean=mean,
channel_swap=(2,1,0),#RGB通道与BGR
raw_scale=255,#把图片归一化到0~1之间
image_dims=(256, 256))#设置输入图片的大小
#预测分类及其可特征视化
gender_list=['Male','Female']
input_image = caffe.io.load_image('1.jpg')#读取图片
prediction_gender=gender_net.predict([input_image])#预测图片性别
#打印我们训练每一层的参数形状
print 'params:'
for k, v in gender_net.params.items():
print 'weight:'
print (k, v[0].data.shape)#在每一层的参数blob中，caffe用vector存储了两个blob变量，用v[0]表示weight
print 'b:'
print (k, v[1].data.shape)#用v[1]表示偏置参数
#conv1滤波器可视化
filters = gender_net.params['conv1'][0].data
vis_square(filters.transpose(0, 2, 3, 1))
#conv2滤波器可视化
'''''filters = gender_net.params['conv2'][0].data
vis_square(filters[:48].reshape(48**2, 5, 5))'''
#特征图
print 'feature maps:'
for k, v in gender_net.blobs.items():
print (k, v.data.shape);
feat = gender_net.blobs[k].data[0,0:4]#显示名字为k的网络层,第一张图片所生成的4张feature maps
vis_square(feat, padval=1)
#显示原图片，以及分类预测结果
str_gender=gender_list[prediction_gender[0].argmax()]
print str_gender
plt.imshow(input_image)
plt.title(str_gender)
plt.show()
上面的接口，同时包含了pycaffe加载训练好的模型，进行预测及其特征可视化的调用方法。
参考博客：
http://blog.youkuaiyun.com/hjimce/article/details/48933813
扫一扫
653
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
