caffe︱cifar-10数据集quick模型的官方案例

准备拿几个caffe官方案例用来练习，就看到了caffe中的官方案例有cifar-10数据集。于是练习了一下，在CPU情况下构建quick模型。主要参考博客：liumaolincycle的博客

配置：win10下虚拟机，ubuntu 16.04

虚拟机安装：

win10系统搭建虚拟机：VMware Workstation Player 12环境+Ubuntu Kylin 16.04 LTS系统

caffe安装：caffe+CPU︱虚拟机+Ubuntu16.04+CPU+caffe安装笔记

本案例图片是帮你处理过了，尺寸变化、图像像素均值文件都已经给出了。

————————————————————————————————————

一、数据集准备

本实验使用的数据集是CIFAR-10，一共有60000张32*32的彩色图像，其中50000张是训练集，另外10000张是测试集。数据集共有10个类别，分别如下所示

数据通过一个命令会帮你下载，并且帮你计算好。图像均值文件等。

cd /CAFFE
sudo /data/cifar10/get_cifar10.sh  #该脚本会下载二进制的cifar，并解压，会在/data/cifar10中出现很多batch文件
sudo /examples/cifar10/create_cifar10.sh  #运行后将会在examples中出现数据集./cifar10_xxx_lmdb和数据集图像均值./mean.binaryproto

一定要先定位在caffe文件夹下面，以下代码才可以运行成功。下载数据会比较慢。

————————————————————————————————————

二、设置solver

由于一些虚拟机没有能用的GPU所以需要修改一下solver文件。

linux修改可以用vim 也可以用gedit ，笔者不是特别会用vim,所以对gedit使用的较多。

建模的是quick所以需要修改的文件是：cifar10_quick_solver.prototxt

————————————————————————————————————

三、训练

直接调用.sh文件就可以开始训练了。

cd $CAFFE
 ./examples/cifar10/train_quick.sh  #先以0.001的学习率迭代4000次，再以0.01的学习率接着再迭代1000次，共5000次

一定要定位在caffe文件夹下，然后执行train_quick.sh文件就可以开始训练啦

还有full模型，full模型比quick模型迭代次数多，一共迭代70000次，前60000次学习率是0.001，中间5000次学习率是0.0001，最后5000次学习率是0.00001。full模型的网络层数也比quick模型多。

测试准确率也比quick模型高，大约有0.82。

可以看到每一层的详细信息、连接关系及输出的形式，方便调试。

初始化后开始训练：

在solver的设置中，每100次迭代会输出一次训练损失，测试是500次迭代输出一次：

训练阶段，lr是学习率，loss是训练函数。测试阶段，score 0是准确率，score 1是损失函数。最后的结果：

测试准确率大约有0.75，模型参数存储在二进制protobuf格式的文件cifar10_quick_iter_5000中。

————————————————————————————————————

参考文献：

1、liumaolincycle的博客

2、官网链接：http://caffe.berkeleyvision.org/gathered/examples/cifar10.html