準備數據集

http://yann.lecun.com/exdb/mnist/提供了訓練集與測試集數據的下載。

但是caffe并不是直接處理這些數據，而是要轉換成lmdb或leveldb格式進行讀取。如何轉換可以再去查閱相關資料，為簡化步驟，直接給出下載地址：
鏈接：http://pan.baidu.com/s/1nv3a5LJ 密碼：jvlt
數據集格式是leveldb。

進行訓練

在正式開始訓練之前，要先配置一些參數。
進入到配置caffe環境時編譯caffe工程的目錄。
1、打開目錄下的 \examples\mnist 下的lenet_solver.prototxt。

更改最后的solver_mode，是CPU版本的填CPU，GPU版本的填GPU。

# The maximum number of iterations max_iter: 10000

最大迭代次數為10000次，訓練進行到10000次停止。

# snapshot intermediate results snapshot: 5000 snapshot_prefix: "examples/mnist/lenet"

snapshot為中間過程文件，后面輸出文件中包含了中間過程生成的caffelmodel文件。

2、接著打開 \examples\mnist 下的lenet_train_test.prototxt。

source指定到訓練集存放的目錄；
backend選擇LEVELDB；

source指定到測試集存放的目錄；
backend選擇LEVELDB；

mnist的數據集存放目錄在：\examples\mnist

3、接下來可以開始訓練了。
在編譯caffe的工程根目錄下編寫bat腳本：

Build\x64\Release\caffe.exe train --solver=examples/mnist/lenet_solver.prototxt pause

Build\x64\Release\caffe.exe：指定到caffe.exe所在目錄，caffe.exe就是之前caffe工程編譯后的可執行文件。
train：進行訓練。
--solver=examples/mnist/lenet_solver.prototxt：lenet_solver.prototxt就是之前更改的配置文件。
編寫完成后，保存，雙擊運行bat腳本。
caffe開始訓練，首先會打印一些配置信息：

我的電腦裝的是GPU版本。
訓練幾分鐘后結束。

CPU版本會慢一些，可能10多分鐘，根據配置不同速度也不一樣。
4、到\examples\mnist目錄下查看生成的caffemodel文件。

文件后的參數指迭代次數。
迭代到5000次時根據當前的參數生成一個caffemodel文件，就是snapshot指定的參數。
10000次時最大迭代次數，即輸出結果。
所以測試時，調用的是lenet_iter_10000.caffemodel文件。

測試結果

1、測試之前，還需要產生以下所有圖片的均值文件。計算時，會將每幅圖片減去這個均值，使用差進行分類。可以有更好的分類效果。
產生均值mean文件需要調用compute_image_mean.exe。
一般會在\Build\x64\Release下生成，如果沒有，可以打開caffe的工程，選中對應的工程進行編譯，就會產生compute_image_mean.exe。

在根目錄編寫bat腳本，調用compute_image_mean.exe生成均值文件。

Build\x64\Release\compute_image_mean.exe examples\mnist\mnist_train_leveldb mean.binaryproto --backend=leveldb pause

生成的mean文件。

2、生成了mean文件后，可以使用caffe.exe調用訓練好的模型識別手寫數字了。
由于之前生成了mean文件，所以還要在lenet_train_test.prototxt中加上它。

在根目錄編寫bat腳本，調用caffe.exe識別手寫數字。

Build\x64\Release\caffe.exe test --model=examples\mnist\lenet_train_test.prototxt -weights=examples\mnist\lenet_iter_10000.caffemodel -gpu=0 pause

--model=examples\mnist\lenet_train_test.prototxt：指定配置，之前添加了mean文件進去。
-weights=examples\mnist\lenet_iter_10000.caffemodel：指定訓練好的模型。
-gpu=0：加上表示使用gpu，如果不是gpu版的去掉這個就可以了。

保存bat腳本，雙擊運行。

看accuracy知道，準確率不是很高。

3、自己手寫數字來進行識別，可以使用畫圖工具繪制。

使用matlab編寫簡單程序將三通道的圖像轉換成二值圖像。
相關步驟可以參考下面這個博客：
http://blog.csdn.net/zb1165048017/article/details/52217772
不做贅述。

我們得到的圖片放到一個方便找到的目錄吧，我就直接放到\examples\mnist目錄下了。

編寫bat腳本文件，調用classification.exe，沒有的自己在編譯caffe的visual studio項目里找到對應工程編譯下就有了。

Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\0.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\1.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\2.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\3.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\4.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\5.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\6.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\7.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\8.bmp Build\x64\Release\classification.exe examples\mnist\lenet.prototxt examples\mnist\lenet_iter_10000.caffemodel mean.binaryproto examples\mnist\synset_words.txt examples\mnist\9.bmp pause

識別效果不是很好，可能訓練的迭代次數還是少了，有待改進。

總結

以上是生活随笔為你收集整理的caffe学习（二）：利用mnist数据集训练并进行手写数字识别（windows）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。