這個實驗拿來入門最好了，很輕松，執行作者寫好的腳本就可以；

官網鏈接：http://caffe.berkeleyvision.org/gathered/examples/mnist.html

跟著這個實驗，可以觀察caffe使用的流程，深入一點，可以看看作者寫的shell腳本做了哪些事情；

下面我們一步步來執行，并作簡單的分析：

1 首先準備數據集

執行下面的命令。$CAFFE_ROOT是指caffe安裝的目錄，比如說我的是/home/sloanqin/caffe-master/

[cpp] view plaincopy
cd $CAFFE_ROOT
./data/mnist/get_mnist.sh //執行下載mnist數據集腳本
./examples/mnist/create_mnist.sh //將下載的mnist數據集轉換成lmdb格式的數據
我們來看看這兩個腳本做了什么：

1.1 執行腳本get_mnist.sh：

[cpp] view plaincopy
get_mnist.sh腳本文件如下：
[cpp] view plaincopy

# This scripts downloads the mnist data and unzips it.

DIR=”(cd"(dirname “0”)”;pwd?P)”cdDIR

echo “Downloading…”

wget –no-check-certificate http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
wget –no-check-certificate http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
wget –no-check-certificate http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
wget –no-check-certificate http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz

echo “Unzipping…”

gunzip train-images-idx3-ubyte.gz
gunzip train-labels-idx1-ubyte.gz
gunzip t10k-images-idx3-ubyte.gz
gunzip t10k-labels-idx1-ubyte.gz

# Creation is split out because leveldb sometimes causes segfault
# and needs to be re-created.

echo “Done.”
[html] view plaincopy
作用：下載下面四個文件，并解壓；
[html] view plaincopy
train-images-idx3-ubyte.gz訓練集
train-labels-idx1-ubyte.gz訓練集的標簽
t10k-images-idx3-ubyte.gz測試集
t10k-labels-idx1-ubyte.gz測試集的標簽
2 定義caffe的網絡結構：.prototxt 文件

caffe的網絡結構定義在后綴名為.prototxt的文件中，我們根據自己的需要定義自己的網絡結構；

在這個實驗中，我們使用作者已經為我們定義好的lenet網絡結構，大家可以在下面的目錄中找到該文件：

$CAFFE_ROOT/examples/mnist/lenet_train_test.prototxt

在我的電腦上，目錄是/home/sloanqin/examples/mnist/lenet_train_test.prototxt

在后續的工作中，定義好自己的網絡結構是最關鍵的，直接決定了性能，這里我們就不多說了；

3 定義caffe運算的時候的一些規則：solver.prototxt 文件

該文件在下面的目錄中：

$CAFFE_ROOT/examples/mnist/lenet_solver.prototxt

文件內容如下：作者給出了英文注釋，我再給出中文的注釋

[html] view plaincopy
# The train/test net protocol buffer definition
net: “examples/mnist/lenet_train_test.prototxt”
# 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
# Carry out testing every 500 training iterations.
test_interval: 500
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy
lr_policy: “inv”
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 100
# The maximum number of iterations
max_iter: 10000
# snapshot intermediate results
snapshot: 5000
snapshot_prefix: “examples/mnist/lenet”
# solver mode: CPU or GPU
solver_mode: GPU
中文注釋版本：
[html] view plaincopy

# The train/test net protocol buffer definition
net: “examples/mnist/lenet_train_test.prototxt”
# 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 // 這個參數指定測試的時候送入多少個
// 這里說明一個知識：GPU在計算的時候，每次迭代是多張圖片，我們稱為一個batch
// 作者提到：test batch size 100，就是說每個包有100張圖片
// 這里設置 st_iter=100，就是測試的時候一共輸入100*100=10000張圖片
//所以，test_iter 的英文翻譯就是：測試時迭代次數
# Carry out testing every 500 training iterations.
test_interval: 500 //定義每500次迭代，做一次測試
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01 // 定義了剛開始的學習速率是0.01
momentum: 0.9
weight_decay: 0.0005
# The learning rate policy
lr_policy: “inv”
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 100 //每迭代100次，顯示一次計算結果
# The maximum number of iterations
max_iter: 10000 //設置最大的迭代次數
# snapshot intermediate results
snapshot: 5000 // 保存中間運行時得到的參數結果，這里設置成每5000次迭代保存一次，這樣運行中間斷掉了，我們可以從斷掉的地方繼續開始
snapshot_prefix: “examples/mnist/lenet”
# solver mode: CPU or GPU
solver_mode: GPU //使用CPU還是GPU計算
4 執行命令進行訓練
最后一步就是執行腳本開始訓練:

cd $CAFFE_ROOT
./examples/mnist/train_lenet.sh
我們打開這個腳本，可以看到特別簡單，就一行：
./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt
這行代碼的意思：調用./build/tools/caffe目錄下面的train函數，train函數的輸入參數是solver.prototxt文件的路徑：–solver=examples/mnist/lenet_solver.prototxt

5 結果

運行的過程中，可以卡到test 的準確率在不斷上升；運行結束后，會生成模型文件：lenet_iter_10000.caffemodel

還有一個文件是snapshot 保存的：lenet_iter_10000.solverstate

原文鏈接：http://write.blog.csdn.net/postedit/49147935

總結

以上是生活随笔為你收集整理的caffe 练习1：training LeNet on MNIST with Caffe/ 用LeNet识别手写字符集 Mnist------by 香蕉麦乐迪的全部內容，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。