Caffe入门学习（代码实践）

学习的caffe的目的，不是简单的做几个练习，而是最终落实到自己的项目或科研中去。因此，本文介绍一下，从自己的原始图片到lmdb数据，再到训练和测试的整个流程。

附上我的github代码

一、数据的准备

    有条件的同学，可以去ImageNet的官网点击打开链接，下载ImageNet图片来训练。但是我没有下载，因为我注册过程中一直出现bug。

    也可以去这个网盘（点击打开链接）下载图像数据，包括手写数字.jpg，手写数字.csv，人脸检测正负样本224*224，image.zip，.CASIA-WebFace.zip

    我重新找了500张图片来代替，分为大巴车、恐龙、大象、鲜花和马五个类，每个类100张。需要的同学，可以去这个网盘下载点击打开链接。

    编号分别以3，4，5，6，7开头，各为一类。我从其中每类选出20张作为测试，其余80张作为训练。因此最终训练图片400张，测试图片100张，共5类。我将图片放在caffe-master根目录下的data文件下。即训练图片目录：data/re/train/，测试图片目录：data/re/test/

二、转换为lmdb格式

    首先在examples下面创建一个myfile的文件夹，来用存放配置文件和脚本文件。然后编写一个脚本create_filelist.sh，用来生成train.txt和test.txt清单文件

    #sudo mkdir examples/myfile

    #sudo vi examples/myfile/create_filelist.sh

    编辑create_filelist.sh文件，并写入如下代码，并保存

    #!/usr/bin/env sh
    DATA=data/re/
    MY=examples/myfile

    echo "Create train.txt..."
    rm -rf $MY/train.txt
    for i in 3 4 5 6 7
    do
    find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt
    done
    echo "Create test.txt..."
    rm -rf $MY/test.txt
    for i in 3 4 5 6 7
    do
    find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
    done
    echo "All done"

    注： 这个脚本文件中，用到了rm,find,cut,sed,cat等linux命令

    rm：删除文件

    find：寻找文件

    cut ：截取路径

    sed：在每行的最后面加上标注。本例中将找到的“i*.jpg”文件加入标注为i，比如“3*.jpg”标注为3

    cat：将两个类别合并在一个文件里。

    然后，运行此脚本

    #sudo sh examples/myfile/create_filelist.sh

    成功的话，就会在examples/myfile/文件下生成train.txt和test.txt两个文本文件，里面就是图片的列表清单

    打开train.txt可以看到如下内容，同样test.txt文件里面的内容也是如此，二者仅数量不同。

    注：在此处，我们手动的通过查找替换功能，将train.txt文件和test.txt文件里面的图片编号依次由3,4,5，6,7改为0,1,2,3,4。之所以要改编号的原因是，编号从3~7会影响训练精度。修改完后，train.txt内容如下图所示

;

    由于上述生成的train.txt文件和test.txt文件是加权限文件，因此需要修改权限，以方面修改。Linux命令为：chmod a+w examples/myfile/train.txt

    接着再编写一个脚本文件，调用convert_imageset命令来转换数据格式

    #sudo vi examples/myfile/create_lmdb.sh

    插入：

    #!/usr/bin/env sh
    MY=examples/myfile


    echo "Create train lmdb.."
    rm -rf $MY/img_train_lmdb
    build/tools/convert_imageset
    --shuffle
    --resize_height=256
    --resize_width=256
    /home/xxx/caffe/data/re/
    $MY/train.txt
    $MY/img_train_lmdb


    echo "Create test lmdb.."
    rm -rf $MY/img_test_lmdb
    build/tools/convert_imageset
    --shuffle
    --resize_width=256
    --resize_height=256
    /home/xxx/caffe/data/re/
    $MY/test.txt
    $MY/img_test_lmdb


    echo "All Done.."

    注：代码中的shuffle为，打乱图片顺序。/home/xxx/caffe/data/re为下载的图像数据保存的绝对路径。

    最后，运行这个脚本

    #sudo sh examples/myfile/create_lmdb.sh

    因为图片大小不一，因此统一转换成256*256大小。运行成功后，会在examples/myfile下面生成两个img_test_lmdb和img_train_lmdb，分别用于保存图片转换后的lmdb文件。

三、计算均值并保存

    图片减去均值再训练，会提高训练速度和精度。因此，一般都会有这个操作。

    caffe程序提供了一个计算均值的文件compute_image_mean.cpp，我们直接使用就可以了

    #sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto

    compute_image_mean带两个参数，第一个参数时lmdb训练数据位置，第二个参数设定均值文件的名字及保存路径。

    运行成功后，如下图所示

    

四、创建模型并编写配置文件

    模型就用程序自带的caffenet模型，位置在models/bvlc_reference_caffenet/文件夹下，将需要的两个配置文件，复制到myfile文件夹内

    #sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/

    #sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/

    修改其中的solver.prototxt

    #sudo vi examples/myfile/solver.prototxt

    输入以下内容：

     net: "examples/myfile/train_val.prototxt"
     test_iter: 2
     test_interval: 50
     base_lr: 0.001
     lr_policy: "step"
    gamma: 0.1
    stepsize: 100
    display: 20
    max_iter: 500
    momentum: 0.9
    weight_decay: 0.005
    solver_mode: GPU

    注：电脑没有GPU的同学，solver_mode:CPU

    100个测试数据，batch_size为50，因此test_iter设置为2，就能全覆盖了。在训练过程中，调整学习率，逐步变小。

    修改train_val.prototxt,只需要修改两个阶段的data层就可以了，其他可以不用管。

    name: "CaffeNet"
    layer {
        name: "data"
        type: "Data"
        top: "data"
        top: "label"
    include {
        phase: TRAIN
    }
    transform_param {
        mirror: true
        crop_size: 227
        mean_file: "examples/myfile/mean.binaryproto"
     }
    data_param {
        source: "examples/myfile/img_train_lmdb"
        batch_size: 256
        backend: LMDB
     }
    }
     layer {
         name: "data"
         type: "Data"
         top: "data"
         top: "label"
     include {
         phase: TEST
     }
     transform_param {
         mirror: false
         crop_size: 227
         mean_file: "examples/myfile/mean.binaryproto"
     }
     data_param {
         source: "examples/myfile/img_test_lmdb"
         batch_size: 50
         backend: LMDB
    }
   }

    实际上就是修改两个data layer的mean_file和source这两个地方，其他都没有变化。

五、训练

    如果前面都没有问题，数据准备好了，配置文件也配置好了，这一步就比较简单了。

    #sudo build/tools/caffe train -solver examples/myfile/solver.prototxt

    运行时间和最后的精度，会根据机器配置，参数设置的不同而不同。我的机器运行500次，大约15分钟左右，精度为95%。如下图所示：

    

    注：运行时，可能会出现以下问题

    原因：由图可以看出，出现问题的上面一行提示loading mean file from:data/ilsvrc12/imagenet_mean.binaryproto，说明载入均值文件时，路径出现问题。

    解决方法：因为训练时，我们用到两个脚本文件solver.prototxt和train_val.prototxt文件。所以首先，我们查看solver.prototxt文件，看看第一句net:"examples/myfile/train_val.prototxt"里面的地址对不对（本文的问题就出在这里，it works after fixed.）.如果还没有解决，继续查看train_val.prototxt文件里面的data路径，建议都写成绝对路径。毕竟caffe里面大部分问题都是由路径不对引起的。

转自https://blog.csdn.net/qq_27923041/article/details/54139887