編譯配置好caffe的環境後，下一步做什麼的，直接看什麼幾層網絡，太抽象了，第一步先把流程跑起來，看它能做些什麼。
在caffe源碼中，自帶了三個例子：
mnist
cifar10
ilsvrc12
一個一個來吧，本文先從mnist開始，熟悉caffe的模型訓練和測試步驟。
mnist是什麼？
MNIST手寫數字數據庫是另外一個更大的手寫體數據庫NIST的子集，現在已成爲圖像識別領域用來測試自己的算法的一個基準數據庫，它的訓練集由60000張手寫數字圖片樣本組成，測試集包含了10000個樣本，其中所有的圖片樣本都經過了尺寸標準化和中心化，圖片的大小固定爲28*28。
據說該數據集中的圖片是由美國中學生手寫的數字，所以非常貼近實際。
還是先看官網的說明：
http://caffe.berkeleyvision.org/gathered/examples/mnist.html
下面就是基本的訓練步驟：
1、下載數據。
程序本身不帶測試數據，需要去下載，正常步驟應該是用
.\caffe\data\mnist\get_mnist.sh
下載數據，然後用
./examples/mnist/create_mnist.sh
轉換格式就可以了
注：Windows下的sh運行方法，就是將後綴名改成“bat”，就可以雙擊運行。
實際情況，這個腳本自動下載數據，但一般都不成功，可能裏面的網址被牆了。
可以直接到此下載：http://pan.baidu.com/s/1hry1f4g
下載好後直接解壓，得到兩個文件夾
mnist-train-leveldb
mnist-test-leveldb
然後，將這兩個文件夾直接拷貝到目錄下
.\examples\mnist\
2、修改網絡結構文件
lenet_train_test.prototxt
說明：
1）在此給出用於訓練的MNIST數據mnist-train-leveldb以及mnist-test-leveldb的路徑，路徑都改爲絕對路徑
2）在此定義這個網絡都有哪些層，給出每一層的定義
3）數據類型改爲LEVELDB
3、設置網絡求解文件
lenet_solver.prototxt
說明：
1）在此指明我們要訓練的網絡是lenet_train.prototxt，給出lenet_train.prototxt的路徑，這裏要用絕對路徑；
2）指定模型輸出路徑，mnist下的lenet文件夾必須存在，如果不存在就會報錯
3）定位到最後一行：solver_mode: GPU，默認是GPU，如你沒有GPU則改爲CPU
4、修改訓練腳本
train_lenet.sh改爲 train_lenet.bat
說明：
1）刪除# !/user/bin/env sh
2）使用絕對路徑
5、訓練數據
雙擊train_lenet.bat開始訓練，如果是GPU，會很快完成，用CPU的話就需要多等一段時間。
說明：
1）運行代碼初始化時，出現的信息包括每一層的詳細信息，其連接和輸出形狀，該信息有助於debugging.初始化之後，開始training,基於solver setting,根據設置，每100次iterations將會打印出training loss function，每1000次iterations將會測試network,出現的信息中，對於每一次training iteration lr是iteration的learning rate, loss是training function,對於testing phase的輸出，score 0 是精確度， scorce 1是 testing loss function.
2）經過幾分鐘後，Optimization Done信息出現表明訓練完成，最終的model，以二進制protobuf file存儲在 lenet_iter_10000， 接下來你可以將此訓練模型用於實際的數據集。
訓練完成後目錄下會生成結果：
lenet_iter_10000.caffemodel
lenet_iter_10000.solverstate
lenet_iter_5000.caffemodel
lenet_iter_5000.solverstate
6、用腳本測試
有三種接口可以進行測試數據，命令行、Python、MATLAB，本例中採用命令行進行測試。
1）創建測試命令腳本
新建一個腳本文件，比如命名爲 test_lenet_mnist.bat
裏面內容爲：
e:/caffe/Build/x64/Release/caffe.exe test
–weights=e:/caffe/examples/mnist/lenet_iter_10000.caffemodel -gpu=0pause
說明：
1）先是test表明是要評價一個已經訓練好的模型。
2）然後指定模型prototxt文件，這是一個文本文件，詳細描述了網絡結構和數據集信息。
2）雙擊執行批處理測試
模型lenet_iter_10000.caffemodel測試結果，準確率爲 0.9868
更換成 5000次迭代的模型測試，修改腳本雙擊運行
