基于深度学习的图像匹配技术专题- [Patch-Based Matching 2]-matchnet- Trianing in Caffe frame

这个博客主要介绍 如何把实验在Caffe上跑起来。在服务器上，有几个常用的指令。

1. 服务器与本地传输 数据 scp -r ../..  username@ip: ../..

2.ssh 登陆命令

在数据上下载好数据以后，执行作者已经写好的SHELL：

./run_gen_data.sh

在运行的时候会报几个错误，已经有前辈（ 配置和运行matchnet),准备好了解决方案，应该会对大家有帮助。

其实，在生成数据集的时候，如果你只有其中的一两个，也是会报错的。

所以，需要你把不用的语句注释掉，就可以解决这个问题。

————————————————————————————————————————

论文提供了训练好的模型，数据集做好之后就可以运行这个模型，看看正确率是多少。现在我们要如何训练自己的模型呢？

用mnist训练Lenet模型的例子，分为三步：1,下载数据；2,制作数据集；3,训练模型

在训练shell中调用：

./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt $@

可见是 lenet_solver.prototxt文件--网络求解文件，这个文件主要包含了一些求解网络，梯度下降参数、迭代次数等参数……，看下手写字体的solver.prototxt文件.

在这个文件中，我们可以看迭代次数，测试间隔，学习率等。

# The train/test net protocol buffer definition
net: "examples/mnist/lenet_train_test.prototxt"        //网络协议具体定义
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 100                                         //test迭代次数 如果batch_size =100,则100张图一批，训练100次，则可以覆盖10000张图的需求
# Carry out testing every 500 training iterations.
test_interval: 500                                     //训练迭代500次，测试一次
# The base learning rate, momentum and the weight decay of the network. //网络参数：学习率，动量，权重的衰减
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy                            //学习策略：有固定学习率和每步递减学习率
lr_policy: "inv"
gamma: 0.0001
power: 0.75
# Display every 100 iterations                        //每迭代100次显示一次
display: 100
# The maximum number of iterations                    //最大迭代次数
max_iter: 10000
# snapshot intermediate results                       // 每5000次迭代存储一次数据，路径前缀是<span style="font-family: Arial, Helvetica, sans-serif;">examples/mnist/lenet</span>
snapshot: 5000
snapshot_prefix: "examples/mnist/lenet"

 

————————————————————————————————————————————————————

通过对mnist结构的分析，我们发现文章作者只提供了如何做数据的代码和一个matchNet.py文件，没有公布网络结构文件和网络参数配置文件，好吧，只能靠自己了。

说了这么多，还是不能训练自己的模型，但是这个话题并没有终结，是我近期要完成的工作，欢迎follow.