作者：mobiledu2502869223 | 来源：互联网 | 2023-01-13 16:55
使用caffe训练模型只需要以下几个步骤：（1）准备好数据；（2）写好模型配置文件；（3）写好优化配置文件；（4）命令行执行；这样就可以得到训练的模型.caffemodel文件了1
使用caffe训练模型只需要以下几个步骤：
（1）准备好数据；
（2）写好模型配置文件；
（3）写好优化配置文件；
（4）命令行执行；
这样就可以得到训练的模型.caffemodel文件了
1.caffe的下载与安装：
（1）下载
（2）安装
（3）caffe的下载与安装以及一些基本的介绍官网已经描述地比较详细，这里不再重复；
2.caffe的使用接口有命令行，python跟matlab，个人觉得训练模型的时候使用命令行已经足够简单了，至于训练好的模型可以使用python与matlab的接口进行调用，本文先描述基于命令行的模型训练，以LeNet模型为例；
LeNet模型
PS：LeNet是手写数字库MNIST上应用比较经典的模型，具有7层网络结构，分别是卷积-下采样-卷积-下采样-全连-全连-分类层，具体网络细节可以参考文章：
Gradient based learning applied to document recognition
1.安装编译完caffe后，其主目录下有：
2.训练模型之前需要先准备好训练数据MNIST，执行以下命令可以下载MNIST数据库：
3.由于caffe支持的数据类型不包括图像类型，所以常规做法需要将图像类型转为lmdb类型：
4.准备好数据之后，我们需要定义我们的网络模型，在caffe中是通过.prototxt配置文件来定义的，执行以下命令：
可以看到各个网络层是如何定义的：
（1）输入层（数据层）：
-
layer {
-
name: "mnist" //表示层名
-
type: "Data" //表示层的类型
-
top: "data"
-
top: "label"
-
include {
-
phase: TRAIN //表示仅在训练阶段起作用
-
}
-
transform_param {
-
scale: 0.00390625 //将图像像素值归一化
-
}
-
data_param {
-
source: "examples/mnist/mnist_train_lmdb" //数据来源
-
batch_size: 64 //训练时每个迭代的输入样本数量
-
backend: LMDB //数据类型
-
}
-
}
（2）卷积层：
-
layer {
-
name: "conv1"
-
type: "Convolution"
-
bottom: "data" //输入是data
-
top: "conv1" //输出是卷积特征
-
param {
-
lr_mult: 1 //权重参数w的学习率倍数
-
}
-
param {
-
lr_mult: 2 //偏置参数b的学习率倍数
-
}
-
convolution_param {
-
num_output: 20
-
kernel_size: 5
-
stride: 1
-
weight_filler { //权重参数w的初始化方案，使用xavier算法
-
type: "xavier"
-
}
-
bias_filler {
-
type: "constant" //偏置参数b初始化化为常数，一般为0
-
}
-
}
-
}
（3）下采样层（pool）：
-
layer {
-
name: "pool1"
-
type: "Pooling"
-
bottom: "conv1"
-
top: "pool1"
-
pooling_param {
-
pool: MAX
-
kernel_size: 2
-
stride: 2
-
}
-
}
（4）全连层：
-
layer {
-
name: "ip1"
-
type: "InnerProduct"
-
bottom: "pool2"
-
top: "ip1"
-
param {
-
lr_mult: 1
-
}
-
param {
-
lr_mult: 2
-
}
-
inner_product_param {
-
num_output: 500
-
weight_filler {
-
type: "xavier"
-
}
-
bias_filler {
-
type: "constant"
-
}
-
}
-
}
（5）非线性层：
-
layer {
-
name: "relu1"
-
type: "ReLU"
-
bottom: "ip1"
-
top: "ip1"
-
}
（6）准确率层（计算准确率）：
-
layer {
-
name: "accuracy"
-
type: "Accuracy"
-
bottom: "ip2"
-
bottom: "label"
-
top: "accuracy"
-
include {
-
phase: TEST
-
}
-
}
（7）损失估计层：
-
layer {
-
name: "loss"
-
type: "SoftmaxWithLoss"
-
bottom: "ip2"
-
bottom: "label"
-
top: "loss"
-
}
5.定义完网络模型，还需要配置关于模型优化的文件：
配置文件如下：
-
# The train/test net protocol buffer definition
-
net: "examples/mnist/lenet_train_test.prototxt" //设定网络模型配置文件的路径
-
# 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
6.接下来一步就是进行训练了，直接执行命令就可以：
执行后可以看到：首先会读取配置文件初始化网络跟优化器：
紧接着开始优化：
可以看到训练过程中每100次迭代就会显示一个loss，每500次迭代就会计算一次test准确率，总共10000次迭代，这些都可以在配置文件中设置；
7.训练完之后的模型就保存在.caffemodel文件中，该文件可以被c，python，matlab等调用；
京公网安备 11010802041100号