caffe教程翻译：Alex’s CIFAR-10 tutorial, Caffe style
原文地址：http://caffe.berkeleyvision.org/gathered/examples/cifar10.html
本文假設caffe安裝在根目錄CAFFE_ROOT下
數據準備
首先需要從CIFAR-10 websit網站上下載并轉換數據格式。運行一下代碼：
cd $CAFFE_ROOT ./data/cifar10/get_cifar10.sh ./examples/cifar10/create_cifar10.sh如果提示wget 或gunzip未安裝，則需要分別安裝它們。運行這些腳本后將產生數據集：./cifar10-leveldb和圖像均值文件：./mean.binaryproto。
模型
Cifar-10模型一個由卷積層(convolution)、池化層(pooling)、矯正線性化單元(rectified linear unit)（ReLU）非線性(nonlinearities)、局部對比正則化(local contrast normalization)，并在頂層有一個線性分類器的卷積神經網絡。在 CAFFE_ROOT/examples/cifar10目錄下的cifar10_quick_train_test.prototxt定義了該模型。
訓練并測試“快速”模型
在寫好了網絡定義文件和solver文件后（指MNIST Tutorial），訓練十分簡單。只需運行train_quick.sh或如下代碼：
cd $CAFFE_ROOT ./examples/cifar10/train_quick.shtrain_quick.sh是一條簡單的腳本，訓練的主要工具是caffe的train動作，在solver文件中定義了它的參數。
在運行代碼過程中，會在屏幕上看到以下輸出：
這些信息詳細描述了各層之間的連接和輸出形狀，在調試環節很有用。初始化后，訓練開始：
I0317 21:52:49.309370 2008298256 net.cpp:166] Network initialization done. I0317 21:52:49.309376 2008298256 net.cpp:167] Memory required for Data 23790808 I0317 21:52:49.309422 2008298256 solver.cpp:36] Solver scaffolding done. I0317 21:52:49.309447 2008298256 solver.cpp:47] Solving CIFAR10_quick_train基于solver的配置，每100次迭代打印一次loss值，每500次進行一次測試。會看到以下信息：
I0317 21:53:12.179772 2008298256 solver.cpp:208] Iteration 100, lr = 0.001 I0317 21:53:12.185698 2008298256 solver.cpp:65] Iteration 100, loss = 1.73643 ... I0317 21:54:41.150030 2008298256 solver.cpp:87] Iteration 500, Testing net I0317 21:54:47.129461 2008298256 solver.cpp:114] Test score #0: 0.5504 I0317 21:54:47.129500 2008298256 solver.cpp:114] Test score #1: 1.27805對于每次訓練迭代，lr表示學習率，loss表示損失函數。對于帶有testing短語的輸出， score 0代表準確率，score 1代表損失值。
一段時間后，訓練結束：
我們的模型達到了大約75%的準確率，模型參數以二進制形式存儲在文件：cifar10_quick_iter_5000中。
參考文件CAFFE_ROOT/examples/cifar10/cifar10_quick.prototxt在新的數據庫上應用模型。
為何在GPU上訓練
在cifar*solver.prototxt文件中修改相應行，來比較CPU與GPU的訓練速度：
# solver mode: CPU or GPU solver_mode: CPU你會發現，GPU訓練更快速一些。
總結
以上是生活随笔為你收集整理的caffe教程翻译：Alex’s CIFAR-10 tutorial, Caffe style的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 论文翻译：ImageNet Classi
- 下一篇： Caffe常用层参数介绍