http://caffe.berkeleyvision.org/gathered/examples/imagenet.html
Brewing ImageNet
本指南旨在根据自己准备好的数据来训练自己的模型。 如果你只是想要一个训练好的ImageNet网络模型，（Note that since training takes a lot of energy and we hate global warming）我们在model zoo中提供训练好的CaffeNet模型。Data Preparation
本指南指定所有的路径并且所有的命令，均在caff根目录下执行（~/caff）。
本文档中的“ImageNet”，是指 ILSVRC12 Challenge，但是也可以方便的在整个ImageNet上进行训练，但需更多的磁盘空间和更长的训练时间。
假定已经下载好了ImageNet的训练数据集和验证数据集，并且以如下所示的方式存放在磁盘上：
/path/to/imagenet/train/n01440764/n01440764_10026.JPEG
/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG需要一些辅助数据（auxiliary data）用于训练。数据可以通过在文件夹中执行shell命令下载获取：
./data/ilsvrc12/get_ilsvrc_aux.sh你可能需要提前将图像大小调整为256*256。 默认情况下，我们没有明确地这样做，因为在集群环境中，可以使用mapreduce以并行方式调整图像大小，从而获益。 例如，Yang qing 使用了他的轻量级mincepie 包（ lightweight mincepie package）。 如果你更喜欢简单的东西，你也可以使用shell命令，例如：
for name in /path/to/imagenet/val/*.JPEG; do
convert -resize 256x256\! $name $name
done看下 examples/imagenet/create_imagenet.sh 路径。根据需要设置训练集文件目录和验证集文件目录的路径。如果没有事先调整好图像的大小，需要设置“RESIZE=true”，将所有的图像大小调整为256*256。
现在需要执行shell命令
examples/imagenet/create_imagenet.sh 来创建 leveldbs。注意：在执行上述shell命令之前examples/imagenet/ilsvrc12_train_leveldb 和 examples/imagenet/ilsvrc12_val_leveldb 文件夹是不存在。它将由脚本创建。 GLOG_logtostderr = 1只需转储更多信息供检查，可以放心地忽略它。Compute Image Mean
该模型要求每个图像需要减去图像平均值，因此必须计算图像的平均值。tools/compute_image_mean.cpp实现了这一点---这也是一个很好的例子，可以帮助熟悉如何处理多个组件，例如协议缓冲区，leveldbs和日志记录，如果您不熟悉这些组件。也可以通过执行如下shell命令计算平均值：./examples/imagenet/make_imagenet_mean.sh这将创建 data/ilsvrc12/imagenet_mean.binaryprotoModel Definition
我们将描述Krizhevsky，Sutskever和Hinton在他们的NIPS 2012论文中首次提出的方法的参考实现。
网络定义（models/bvlc_reference_caffenet/train_val.prototxt）遵循Krizhevsky等人的定义。请注意，如果偏离本指南中建议的文件路径，则需要调整 .prototxt 文件中的相关路径。
如果仔细查看models/bvlc_reference_caffenet/train_val.prototxt，你会注意到几个包含部分，指定为：phase: TRAIN或phase:TEST。这些部分允许我们在一个文件中定义两个紧密相关的网络：用于训练的网络和用于测试的网络。这两个网络几乎完全相同，共享除标记为include {phase：TRAIN}或include{phase：TEST}的所有层。在这种phase不同的情况下，只有输入层和输出层是不同的。
输入层差异（Input layer differences）：训练网络的数据输入层从examples/imagenet/ilsvrc12_train_leveldb中获取数据，并随机镜像输入图像。测试网络的数据层从example/imagenet/ilsvrc12_val_leveldb获取数据，不执行随机镜像。
输出层差异（Output layer differences:）：两个网络均输出softmax_loss层，该层在训练过程中用于计算损失函数并初始化反向传播，而在验证中，这种损失只是简单计算出来（并不用于反向传播优化网络）。测试网络还具有第二输出层，准确度，用于报告测试集的准确度。在训练过程中，测试网络偶尔会在测试集上进行实例化和测试，产生如测试分数＃0：xxx和测试分数＃1：xxx的数据输出行。在这种情况下，分数0是准确性（对于未经训练的网络将以1/1000 = 0.001开始），分数1是损失（对于未经训练的网络将大约以7开始）。
我们还将为运行solver布置一个协议缓冲区。让我们制定一些计划：
a.我们将分批运行256次，共运行450,000次迭代（约90个时期）。
b.对于每1000次迭代，我们在验证数据上测试学习到的网络。
c.我们将初始学习率设置为0.01，并且在每100,000次迭代（约20个时期）减少它。
d.每20次迭代后将信息显示一次。
e.该网络将以0.9动力momentum和0.0005权重衰减进行训练。
f.对于每10,000次迭代，保存一下当前状态的信息。
这在models/bvlc_reference_caffenet/solver.prototxt中实现。Training ImageNet
开始训练：./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt在K40机器上，每20次迭代运行大约耗时26.5秒（而在K20上这需要36秒），因此对于完全前向传播-反向传播过程，每个图像有效耗时大约5.2ms。大约2ms是前向的，其余的是反向的。如果你有兴趣剖析计算时间，你可以运行:./build/tools/caffe time --model=models/bvlc_reference_caffenet/train_val.prototxtResume Training?
当遇到断电或不能继续训练的情况，因为我们间隔一段时间就保存一次当前训练状态信息（就是训练的中间结果），所以我们可以从这些保存的信息开始恢复训练。具体操作如下：./build/tools/caffe train --solver=models/bvlc_reference_caffenet/solver.prototxt --
snapshot=models/bvlc_reference_caffenet/caffenet_train_iter_10000.solverstate其中在脚本中caffenet_train_iter_10000.solverstate是solver状态信息，其存储用于恢复solver状态（包括参数，动量历史等）的所有必要信息。Parting Words
希望你喜欢这个方法！自ILSVRC2012 challenge以来，许多研究人员已经走得更远，改变了网络架构或微调网络中的各种参数，以满足新的数据和任务。 通过简单地编写不同的prototxt文件，Caffe让你更容易探索不同的网络 - 那不是很令人兴奋吗？
现在你有一个训练好的网络模型，看看如何使用它和Python接口用于classifying ImageNet.。