使用Caffe训练适合自己样本集的AlexNet网络模型，并对其进行分类

　　1.在开始之前，先简单回顾一下几个概念。

Caffe（Convolution Architecture For Feature Extraction-卷积神经网络框架）：是一个清晰，可读性高，快速的深度学习框架。

CUDA（Compute Unifined Device Architecture-计算统一设备框架）：是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

CuDNN（ CUDA Deep Neural Network library）：是NVIDIA专门针对深度神经网络设计的一套GPU计算加速库，被广泛用于各种深度学习框架，例如Caffe, TensorFlow, Theano, Torch, CNTK等。

　　2.Caffe的安装可参考一下博客：

http://www.cnblogs.com/hust-yingjie/p/6525584.html
http://blog.csdn.net/zb1165048017/article/details/51549105 http://blog.csdn.net/zb1165048017/article/details/51355143

　 3.安装过程出现的问题，以及解决方法，可参考：

http://www.cnblogs.com/hust-yingjie/p/6515213.html

Caffe.sln中的16个工程编译成功，会生成12个.exe，如下图所示：

　　4.下面具体介绍基于Window训练自己的模型，并进行分类

4.1 第一步：制作Label标签文件，并利用convert_imageset.exe将图片转换为Caffe的数据格式LEVELDB格式或者lmdb格式。

训练样本的标签文件TrainLabel.txt如下图所示：



测试样本的标签文件TestLabel.txt如下图所示：



此时需重新生成一下convert_imageset.exe文件，具体见http://www.cnblogs.com/hust-yingjie/p/6526419.html

可根据实际情况执行convert_imageset.exe文件，其参数信息可打开convert_imageset.cpp查看，下面是我执行其的批处理文件，测试样本集类似：

SET GLOG_logtostderr=1
E:\CaffeGPU\caffe-master\caffe-master\Build\x64\Release\convert_imageset.exe --backend=leveldb --resize_width=32 --resize_height=32 E:\MyCaffe E:\MyCaffe\TrainSet\TrainLabel.txt E:\MyCaffe\Trainleveldb
pause

正确执行后，你会看到如下界面：



执行上述过程，可能出现以下两种情况，如下图所示：





上面两种错误，都是由于路径错误导致，所以这里一定要注意。还有一种错误，解决比较简单，见下图：



成功后，会生成一个Trainleveldb文件夹，里面有如下内容：

4.2 第二步：基于LEVELDB文件利用compute_image_mean.exe获取均值文件Mean.binaryproto

可参考以下批处理文件执行compute_image_mean.exe，具体如下：

SET GLOG_logtostderr=1
E:\CaffeGPU\caffe-master\caffe-master\Build\x64\Release\convert_imageset.exe --backend=leveldb --resize_width=256 --resize_height=256 E:\MyCaffe E:\MyCaffe\TrainSet\TrainLabel.txt E:\MyCaffe\Trainleveldb
pause

正确执行后的效果如下图所示：

4.3 第三步：定义网络结构并进行训练

在安装的Caffe目录下找到\models\bvlc_alexnet文件夹，里面有如下内容：



将最后两个文件拷贝到自己的工程目录下，并做一下修改：



如果你使用的LMDB文件格式，就不需要修改backend，否则就需修改为LEVELDB数据格式。

4.4 第四步：利用Caffe.exe文件训练AlexNet模型网络

基于第三步的两个文件，执行Caffe.exe文件，可参考下面批处理文件，具体如下：

E:\CaffeGPU\caffe-master\caffe-master\Build\x64\Release\caffe.exe train --solver=E:/MyCaffe/Train_Test/Alexnet/solver.prototxt
pause

正确执行的效果，如下图所示：



可参考：http://m.blog.csdn.net/article/details?id=51001536

4.5 第五步：测试模型

上述步骤完成后，会得到两个文件，第一个caffemodel是训练完毕得到的模型参数文件，第二个solverstate是训练中断以后，可以用此文件从中断地方继续训练，具体如下所示：



后面的操作参考：http://blog.csdn.net/zb1165048017/article/details/51483206