最近自己琢磨caffe，主要參考了博主徐其華denny的學習專欄，http://www.cnblogs.com/denny402/p/5083300.html，接下來的過程基本是按照他的步驟進行的。
好記性不如爛筆頭，雖然對深度學習的瞭解纔剛剛開始，但還是希望能記錄點滴學習過程。以下是我訓練自己的圖片的過程，正確率只有0.333，可能是樣本源的選擇不好，但總算是訓練出精度了，所以記錄一下。
以下所有操作都是在caffe根目錄下進行，否則都會出錯。
我根據http://www.2cto.com/kf/201606/515700.html博主提供的數據（共10類1000張train,200test）訓練36h後得到0.545的精度，訓練時間太長（是跟電腦配置有關？），網上博主使用上面的配置訓練，得到的結果準確率是0.2+，數據集的製作者迭代了12000次得到0.5的準確率。參數配置如下所示：
net: "examples/303file/train_val.prototxt"
test_iter: 4
test_interval: 300
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
stepsize: 300
display: 20
max_iter: 1200
momentum: 0.9
weight_decay: 0.0005
snapshot:600
snapshot_prefix:"/home/jenny/caffe/examples/303file/"
solver_mode: CPU我主要目的是想對高壓輸電線上的三種金具（防震錘，間隔器，懸垂線夾）進行分類，所以用攝像頭拍攝了一段視頻截取了部分圖片，圖片背景比較昏暗，而且防震錘與懸垂線夾的差別不大，不知這是不是精度較低的原因。
總共300張圖片，包括240張train，60張test，分三類，編號分別以1，3，5開頭，每類80張訓練，20張測試,圖片大小爲512*684。我將圖片放在caffe根目錄下的data文件夾下面。即訓練圖片目錄：data/obstacle/train/ ,測試圖片目錄: data/obstacle/test/
二、轉換lmdb格式
具體轉換過程可參考denny博主的http://www.cnblogs.com/denny402/p/5082341.html
在examples下面創建一個jennyfile的文件夾，來用存放配置文件和腳本文件。然後編寫一個腳本create_filelist.sh，用來生成train.txt和test.txt清單文件
sudo mkdir examples/jennyfile
sudo vi examples/jennyfile/create_filelist.sh編輯此文件，寫入如下代碼，並按Esc鍵，再按冒號：wq保存
#!/usr/bin/env sh
DATA=data/obstacle/
MY=examples/jennyfile
echo "Create train.txt..."
rm -rf $MY/train.txt
for i in 1 3 5
do
find $DATA/train -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/train.txt
done
echo "Create test.txt..."
rm -rf $MY/test.txt
for i in 1 3 5
do
find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"
sudo sh examples/jennyfile/create_filelist.sh成功的話，就會在examples/jennyfile/ 文件夾下生成train.txt和test.txt兩個文本文件，裏面就是圖片的列表清單。（此處需要注意的是圖片名稱與類別數字之間是一個空格，我之前遇到過can't find or open xxx.jpg的錯誤，原因就是中間是tab鍵而不是空格鍵，改過後就OK了）
接着再編寫一個腳本文件，調用convert_imageset命令來轉換數據格式。sudo vi examples/jennyfile/create_lmdb.sh
插入代碼如下：
#!/usr/bin/env sh
MY=examples/jennyfile
echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_height=256 \
--resize_width=256 \
/home/jenny/caffe/data/obstacle/ \
$MY/train.txt \
$MY/img_train_lmdb
echo "Create test lmdb.."
rm -rf $MY/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
--resize_width=256 \
--resize_height=256 \
/home/jenny/caffe/data/obstacle/ \
$MY/test.txt \
$MY/img_test_lmdb
三、計算均值並保存
圖片減去均值再訓練，會提高訓練速度和精度。因此，一般都會有這個操作。
caffe程序提供了一個計算均值的文件compute_image_mean.cpp，我們直接使用就可以了
sudo build/tools/compute_image_mean examples/jennyfile/img_train_lmdb examples/jennyfile/mean.binaryproto
compute_image_mean帶兩個參數，第一個參數是lmdb訓練數據位置，第二個參數設定均值文件的名字及保存路徑。
運行成功後，會在 examples/jennyfile/ 下面生成一個mean.binaryproto的均值文件（一定要保證均值文件生成成功，檢查它的大小）。
四、創建模型並編寫配置文件
模型就用程序自帶的caffenet模型，位置在 models/bvlc_reference_caffenet/文件夾下, 將需要的兩個配置文件，複製到jennyfile文件夾內
sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/
sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/修改其中的solver.prototxt
sudo vi examples/jennyfile/solver.prototxtnet: "examples/jennyfile/train_val.prototxt"
test_iter:60
test_interval: 40
base_lr: 0.0001
lr_policy: "step"
gamma:0.1
stepsize:50
display: 10
max_iter: 100
momentum: 0.9
snapshot:50
snapshot_prefix:"/home/jenny/caffe/examples/jennyfile/"
weight_decay: 0.005
solver_mode: CPU60個測試數據，batch_size爲1，因此test_iter設置爲60就能全cover了（這兩個參數調整了多次，每次訓練都不太理想，所以最後將batch_size設爲1）。在訓練過程中，調整學習率，逐步變小。
修改train_val.protxt，只需要修改兩個階段的data層就可以了，其他可以不用管。
name:"CaffeNet"
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 227
mean_file: "examples/jennyfile/mean.binaryproto"
}
# mean pixel / channel-wise mean instead of mean image
# transform_param {
# crop_size: 227
# mean_value: 104
# mean_value: 117
# mean_value: 123
# mirror: true
# }
data_param {
source: "examples/jennyfile/img_train_lmdb"
batch_size: 60
backend: LMDB
}
}
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mirror: false
crop_size: 227
mean_file: "examples/jennyfile/mean.binaryproto"
}
# mean pixel / channel-wise mean instead of mean image
# transform_param {
# crop_size: 227
# mean_value: 104
# mean_value: 117
# mean_value: 123
# mirror: false
# }
data_param {
source: "examples/jennyfile/img_test_lmdb"
batch_size:1
backend: LMDB
}
}
layer {
name: "fc8"
type: "InnerProduct"
bottom: "fc7"
top: "fc8"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
inner_product_param {
num_output: 3
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
}
}五、訓練和測試
如果前面都沒有問題，數據準備好了，配置文件也配置好了，這一步就比較簡單。在終端輸入：
sudo build/tools/caffe train -solver examples/jennyfile/solver.prototxt六、用訓練好的caffemodel來分類
此步驟需要三個文件，caffemodel文件、均值文化和label.txt文件，其中caffemodel文件是訓練好後保存的模型文件，在測試階段，需要把測試數據減去均值mean.binaryproto，label.txt文件中存放的是各個類的名稱，比如的這次分類較少只有三類，所以我可以手動完成。如果類別太多，必須要批量處理了。
數據準備好了，我們就可以開始分類了，我採用的是C++方法。
在caffe根目錄下的 examples/cpp-classification/ 文件夾下面，有個classification.cpp文件，就是用來分類的。當然編譯後，放在/build/examples/cpp_classification/ 下面
我們可以直接運行命令或者寫個腳本文件
sudo vi examples/jennyfile/testonepicture.shsudo .build/examples/cpp_classification/classification.bin \
examples/jennyfile/deploy.prototxt \
examples/jennyfile/_iter_100.caffemodel \
examples/jennyfile/mean.binaryproto \
examples/jennyfile/labels.txt \
examples/images/jgq.jpg
最後得到的測試結果爲0.3391的可能性爲間隔器：
這次測試的精度很不理想，參數也沒有仔細調，但是完整地走了一遍，最大的感受就是不要放棄。接下來就是學會調參，想辦法提高精度。
caffe入門我主要是學習denny的學習專欄，非常感謝博主，裏面有一系列的博文，http://www.cnblogs.com/denny402/tag/caffe/ 有興趣的可以看看。
千里之行，始於足下，fighting！