本問創建於2017年1月。由於caffe版本更新， 可能部分操作已經過時不能使用，希望大家多看源碼，增強自主學習能力。
資料下載地址：https://github.com/EmmaW8/caffe.git
branch選擇201701，code文件夾裏面是需要用到的執行文件，models裏面是我自己設計的5層CNN模型配置文件，以及訓練結果。
1. 準備數據
2. 數據分類
get-filename-label.py文件
我的文件路徑比較複雜，此處很麻煩，如果你不用我的數據，可以不用我這個執行文件，自己寫一個就好，很easy~
注意修改內部數據文件路徑
$ python get-filename-label.py會生成3個文件，分別爲train.txt,val.txt,test.txt.
train和val裏面有label，訓練用，test無label，分類時用。
train：val=9:1，你也可以嘗試4:1.
這裏其實很簡單，就是獲取數據路徑名稱，以及其label，我的文件僅供參考，可以根據這個寫出你自己的Python提取文件。
3. 生成lmdb文件，生成均值文件（mean.binaryproto）
creat_atypia.sh文件
修改DATA路徑。
運行：
$ sh creat_atypia.sh生成3個lmdb文件和一個mean文件，這裏用到caffe自己提供的工具來生成。
示例；
echo "Creating train lmdb..."
GLOG_logtostderr=1 $TOOLS/convert_imageset \
--resize_height=$RESIZE_HEIGHT \
--resize_width=$RESIZE_WIDTH \
--shuffle \
$TRAIN_DATA_ROOT \
$DATA/train.txt \
$DATA/atypia_train_initialsize_$DBTYPE
利用convert_imageset來生成lmdb文件
echo "Computing image mean..."
$TOOLS/compute_image_mean -backend=$DBTYPE \
$DATA/atypia_train_initialsize_$DBTYPE $DATA/initialsize_mean.binaryproto
利用compute_image_mean和剛生成的train_lmdb文件生成mean文件。
4. 自己設計網絡結構
我設計的網絡結構在models文件夾裏，-solver.prototxt是solver文件，-train_val.prototxt是描述網絡框架文件，*.caffemodel是我訓練完畢後生成的模型文件。deploy.prototxt是用於test分類時的文件。
在訓練之前，需要把solver 和 train_val.prototxt文件配置好。
具體如何配置，請參考我的文件進行修改。注意修改路徑。
此處一定要注意是layer {},還是layers{}，如果定義的layer不同，那麼內部的參數會不同，上次就栽在這個坑裏了。layers裏面的type都是大寫的，並且param的設置不同。一個prototxt文檔裏，只能出現一種，不能layer和layers混用。
5. 訓練
執行code裏面的可執行文件train-atypia.sh
$ sh train-atypia.sh開始訓練。
文件說明
#!/usr/bin/env sh
# begin train
set -e
# 指定log文件路徑和名稱
LOG=/home/emma/software/caffe/models/atypia/log/train-`date +%Y-%M-%d-%H-%M-%S`.log
#指定一些變量名，便於後續開發
TOOLS=/home/emma/software/caffe/build/tools
MODEL=/home/emma/software/caffe/models/atypia
NAME=atypia
# fine-tune 別人的模型，此處不需要
#$TOOLS/caffe train -solver $MODEL/$NAME-solver.prototxt -weights $MODEL/VGG_16_layers.caffemodel -gpu 0 > VGG2.log
# 訓練自己的模型，並將控制檯輸出導入到log文件
$TOOLS/caffe train -solver $MODEL/$NAME-solver.prototxt -gpu 0 2>&1 | tee $LOG6. 可視化，畫出訓練loss，以及test accuracy
訓練完畢後，可以得到log文件，我的log文件位於models/log/
對log文件進行處理，提取出accuracy和loss的數值，然後畫圖。
可執行文件：plot.sh
./plot_training_log.py.example 0 /home/emma/software/caffe/models/atypia/log/curve/test_accuracy.png /home/emma/software/caffe/models/atypia/log/train-2017-52-07-19-52-39.log0：代表畫出test_accuracy 和iters的曲線
2：代表畫出test_loss和iters的曲線
6：代表畫出train_loss 和iters的曲線
第二個參數是，圖片保存位置，第三個參數log文件所在的位置
我生成的曲線存儲在models/log/curve裏面，例如
注意事項：
如果loss未收斂，記得及時調整學習率。
第一次使用自己設計的網絡時，選擇10個訓練數據，並且訓練數據=val數據集，看一下訓練幾次後準確率是否會達到100%，如果會，就說明模型可用！！！
EMMA
SIAT
