CIFAR是什么

CIFAR-10和CIFAR-100都是帶標簽的大小為8000萬小圖數據集的子集。其中CIFAR-10有10類，每類6000個大小為32x32的圖像。其中訓練圖像和測試圖像的比例是5:1，對每類圖像，隨機選擇1000個測試圖像，剩下的就是訓練圖像。

注意到10類圖像既有automobile，還有truck。它們是不重疊的。Automobile包含的是轎車，SUV等，truck只包含大卡車，連pickup皮卡也不包括。

Cuda-convnet利用卷積神經網絡在沒有新增訓練數據下可以達到18%的錯誤率，新增數據可以達到11%的錯誤率。Jasper Snoek利用貝葉斯超參數優化在相同網絡下不借助訓練數據新增可以達到15%的錯誤率。

下載數據集并解壓

從Alex Krizhevsky的網站下載二進制格式的CIFAR-10數據集。解壓存放在：caffe-master\examples\cifar10\input_folder當中（input_folder文件夾需要自己創建）

解壓得到一個txt格式的標簽文件。5個訓練數據batch，1個測試batch。

轉換格式 利用convert_cifar_data.exe和bat

將二進制文件.bin轉為為caffe規定的格式leveldb。在caffe-master\examples\cifar10 下創建一個記事本(后綴改為? .bat )，輸入以下code，保存為convert_cifar10.bat (后綴改為? .bat)。

..\..\Build\x64\Release\convert_cifar_data.exe input_folder output_folders leveldbpause

Ps:

1.bat的Usage：Convert_cifar_data input_folderoutput_folder db_type

2.注意不同屬性參數之間要以空格分開

3.../得到父級目錄

4.Prototxt中注釋在行首加#

然后雙擊運行，可以看到在 caffe-master\examples\cifar10下會生成一個文件夾，output_folders。里面有兩個文件夾，存放的就是轉換好的數據

計算均值文件? 利用compute_image_mean.exe和bat

在caffe-master\examples\cifar10下創建一個記事本(后綴改為? .bat )，輸入以下code

..\..\Build\x64\Release\compute_image_mean.exe -backend=leveldb../../examples\cifar10\output_folders\cifar10_train_leveldb mean.binaryprotoPause

?然后運行此文件，在caffe-master\examples\cifar10 下會出現mean.binaryproto文件

?在prototxt中更改一些參數

更改caffe-master\examples\cifar10 下的cifar10_quick_solver.prototxt和cifar10_quick_train_test.prototxt

cifar10_quick_solver.prototxt改中了：

net:"../../examples/cifar10/cifar10_quick_train_test.prototxt" snapshot_prefix:"../../examples/cifar10/cifar10_quick"

如果只用CPU計算網絡，還要改solver_mode:

solver_mode: CPUcifar10_quick_train_test.prototxt中改了：solver_mode: CPU mean_file:"../../examples/cifar10/mean.binaryproto" source:"../../examples/cifar10/output_folders/cifar10_train_leveldb"mean_file:"../../examples/cifar10/mean.binaryproto" source:"../../examples/cifar10/output_folders/cifar10_test_leveldb"backend: LEVELDB

Ps：examples/cifar10/中有幾種不同的訓練模式（quick和full等），要一一對應。

開始訓練 利用caffe.exe

在caffe-master\examples\cifar10下創建文本文件，更改后綴為.bat，開始運行。（注意train之后有空格）：

..\..\Build\x64\Release\caffe.exe train --solver=../../examples/cifar10/cifar10_quick_solver.prototxt Pause

bat中只用到了cifar10_quick_solver.prototxt,但在這個文件里面第一個參數就是剛才修改的網絡配置文件cifar10_quick_train_test.prototxt，這樣才能不斷迭代優化求解出參數，得到最終的模型。

還有一種訓練方法是在vs中把caffe設為啟動項目，調試參數改為train --solver=../../examples/cifar10/cifar10_quick_solver.prototxt。然后ctrl+F5開始調試。

因為是在靠CPU訓練，半個多小時后訓練才結束，optimization done，examples/cifar10下出現如下兩個文件，說明已經訓練完成。

在后期應用過程中，需要生成caffemodel文件而非caffemodel.h5文件，我們將cifar10_quick_solver.prototxt中的snapshot_format:HDF5注釋掉，重新訓練，就可以得到下面的文件

Cifar10_quick_iter_4000.caffemodel是分類器描述文件。Cifar10_quick_iter_4000.solverstate是繼續學習將會用到的文件。

現在，可以進入到實測了。

分析這個bat命令，首先使用了編譯生成的exe文件。在網絡層面，使用了剛訓練生成的caffemodel模型和一個prototxt文件，關于prototxt文件，參考博客說是訓練后新生成的，但是我的文件日期是2016年的，應該是版本不同的原因。這個prototxt文件應該就是上一篇博客里面分析的修改train_test.prototxt首尾得到的網絡配置文件。圖像層面，不僅要指定待分類的圖像，還要有txt文件，存放類別名稱，還要有均值文件，可以提升分類準確性。

classification.exe examples\cifar10\cifar10_quick.prototxtexamples\cifar10\cifar10_quick_iter_4000.caffemodel examples\cifar10\mean.binaryprotomy.txt 3.jpgpause

注意這個標簽txt文件，寫成一列，不能有額外的空格。否則出現類別個數與網絡最后一層輸出個數不符的情況：

結果1 對網上下載的柴犬圖像3.jpg的識別

結果2? 將下載圖像resize成34x34重新識別

看到概率大小發生了變化，但是還是錯誤的。

結果3? 對網上下載的飛機圖像的識別

Reference：

1.??????https://www.cnblogs.com/TensorSense/p/6260287.html

2.????? https://blog.csdn.net/weixinhum/article/details/71304852

總結

以上是生活随笔為你收集整理的windows+caffe下对CIFAR训练的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。