如何搭建caffe环境已经在之前的文章中介绍了，有需要的可以自行回顾。
一、准备数据集
首先是准备好要用到的图片数据集，目前随机选用了五类水果：苹果、草莓、香蕉、火龙果、猕猴桃来作为图像识别的测试案例（事实证明，这个看似随机的选择在后续暴露出了caffe使用会遇到的问题，有点巧了）。图片是我从百度图片中随机挑选下载的，总共250张，其中每类50张，分割为10张测试集和40张训练集。
选择完图片集后先对其进行预处理。这里使用了美图秀秀的图片裁剪工具，将每张图都变为256*256的大小。其实我也不想用这么奇怪又笨拙的操作的，主要是因为在使用caffe的图像转换工具convert_imageset时发现：如果图片的长宽都大于256，那么可以顺利转换；如果其中之一小于256，则会报错。对于这个问题暂时还没找到解决方法，所以为了保证达到预期目标只能先强行迈过这一关了。。。
在使用caffe处理图片之前，要先对其进行规则编号。编号分别以1,2,3,4,5开头，各为一类。这里推荐一个便捷的批量处理工具Advanced Renamer，可以快速将图片分批编号。编号完成后将图片存入caffe根目录下的data文件夹中，其中训练图片的目录为data/re/train/，测试图片的目录为data/re/test/。
二、转换为lmdb格式
首先在examples下创建新的文件夹myfile，
sudo mkdir examples/myfile/用于存放配置文件和脚本文件。
然后运行
sudo vi examples/myfile/create_filelist.sh用于生成图片的txt清单文件。
编辑create_filelist.sh，写入以下代码并保存：
#!/usr/bin/env sh
DATA=data/re/
MY=examples/myfile
echo "Create train.txt..."
rm -rf $MY/train.txt
for i in 1 2 3 4 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 2 3 4 5
do
find $DATA/test -name $i*.jpg | cut -d '/' -f4-5 | sed "s/$/ $i/">>$MY/test.txt
done
echo "All done"
然后运行此脚本
sudo sh examples/myfile/create_filelist.sh成功后会在examples/myfile/下生成train.txt和test.txt两个文件，里面是图片的清单列表。
然后再编写一个脚本文件，用于将图像转换为lmdb格式
sudo vi examples/myfile/create_lmdb.sh在文件中写入：
#!/usr/bin/env sh
MY=examples/myfile
echo "Create train lmdb.."
rm -rf $MY/img_train_lmdb
build/tools/convert_imageset \
--shuffle \
/home/xxx/caffe/data/re/ \
$MY/train.txt \
$MY/img_train_lmdb
echo "Create test lmdb.."
rm -rf $MY/img_test_lmdb
build/tools/convert_imageset \
--shuffle \
/home/xxx/caffe/data/re/ \
$MY/test.txt \
$MY/img_test_lmdb
echo "All Done.."
最后，运行这个脚本
sudo sh examples/myfile/create_lmdb.sh三、计算均值并保存
将图片减去均值后再训练能提高训练速度和精度，caffe程序提供了一个计算均值的文件compute_image_mean.cpp，我们直接使用就可以了
sudo build/tools/compute_image_mean examples/myfile/img_train_lmdb examples/myfile/mean.binaryproto四、创建模型并编写配置文件
将位于models/bvlc_reference_caffenet/文件夹下的两个文件复制到myfile文件夹下
sudo cp models/bvlc_reference_caffenet/solver.prototxt examples/myfile/sudo cp models/bvlc_reference_caffenet/train_val.prototxt examples/myfile/对solver.prototxt进行修改
sudo vi examples/myfile/solver.prototxt将其内容改为：
net: "examples/myfile/train_val.prototxt"
test_iter: 25
test_interval: 100
base_lr: 0.0001
lr_policy: "step"
gamma: 0.1
stepsize: 200
display: 1000
max_iter: 10000
momentum: 0.9
weight_decay: 0.005
solver_mode: CPU
然后修改train_val.prototxt
name: "CaffeNet"
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 256
mean_file: "examples/myfile/mean.binaryproto"
}
data_param {
source: "examples/myfile/img_train_lmdb"
batch_size: 256
backend: LMDB
}
}
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
transform_param {
mirror: false
crop_size: 256
mean_file: "examples/myfile/mean.binaryproto"
}
data_param {
source: "examples/myfile/img_test_lmdb"
batch_size: 50
backend: LMDB
}
}
主要是修改两个data layer的mean_file、source以及crop_size。
五、训练
运行指令
sudo build/tools/caffe train -solver examples/myfile/solver.prototxt