簡介

網站鏈接：CIFAR-10
CIFAR-10數據集包括由10個類別的事物，每個事物各有6000張彩色圖像，每張圖片的大小是32*32。
整個數據集被分成了5個訓練集和1個測試集，各有10000張圖片，即50000張圖片用于訓練，10000張圖片用于測試（交叉驗證）。

下載數據

注意：默認用$CAFFE_ROOT表示caffe的根目錄。
輸入指令：

cd $CAFFE_ROOT ./data/cifar10/get_cifar10.sh

隨后，會自動下載數據。
如果嫌下載速度慢，可以自己手動下載，再進行自己解壓放到對應目錄下。
從get_cifar10.sh文件中可以找到url：
http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz

打開get_cifar10.sh：

#!/usr/bin/env sh # This scripts downloads the CIFAR10 (binary version) data and unzips it.DIR="$( cd "$(dirname "$0")" ; pwd -P )" cd "$DIR"echo "Downloading..."wget --no-check-certificate http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gzecho "Unzipping..."tar -xf cifar-10-binary.tar.gz && rm -f cifar-10-binary.tar.gz mv cifar-10-batches-bin/* . && rm -rf cifar-10-batches-bin# Creation is split out because leveldb sometimes causes segfault # and needs to be re-created.echo "Done."

下載完成后，$CAFFE_ROOT/data/cifar10下多出了一些文件：

訓練集：
這5個文件就是分成了5份的那50000張圖片。

data_batch_1.bin
data_batch_2.bin
data_batch_3.bin
data_batch_4.bin
data_batch_5.bin

測試集：
測試數據集，總共10000張圖片。

test_batch.bin

類別說明：
說明了整個cifar-10數據集所包括的10個事物類別。

batches.meta.txt

圖片格式轉換

輸入指令：

cd $CAFFE_ROOT ./examples/cifar10/create_cifar10.sh

之后會在目錄下生成三個文件：

cifar10_test_lmdb：測試集的lmdb文件
cifar10_train_lmdb：訓練集的lmdb文件
mean.binaryproto：整個數據集所有圖片的均值文件

訓練數據集

輸入指令：

cd $CAFFE_ROOT ./examples/cifar10/train_quick.sh

隨后就會開始訓練。
先打開train_quick.sh看看

#!/usr/bin/env sh set -eTOOLS=./build/tools$TOOLS/caffe train \--solver=examples/cifar10/cifar10_quick_solver.prototxt $@# reduce learning rate by factor of 10 after 8 epochs $TOOLS/caffe train \--solver=examples/cifar10/cifar10_quick_solver_lr1.prototxt \--snapshot=examples/cifar10/cifar10_quick_iter_4000.solverstate $@

如果使用的是cpu模式，需要到文件中提到的所有prototxt文件中修改solver_mode為cpu；如果使用的是gpu，則不需要更改，默認就已經是gpu模式了。

使用gpu模式很快就訓練好了。

最后訓練完時的準確率是75%左右，效果并不是很好。

測試模型

測試時用到了caffe的python接口，所以一定要先編譯并配置好了好了pycaffe。如果沒有配置好，請先配置好。我以前的博客有講過如何linux下搭建caffe，最后講了如何安裝pycaffe。（打開鏈接 ）

我們不自己從頭寫python代碼了，使用caffe提供的$CAFFE_ROOT/python/classify.py文件。
參考自：http://blog.csdn.net/asukasmallriver/article/details/73089944
打開classify.py：
在圖中所示位置添加一行代碼，目的是修改均值計算錯誤 ：

mean=mean.mean(1).mean(1)

將預測的結果打印出來：

# 自己添加 print("Predictions:%s" % predictions)

將結果排序，并找到對應的是什么：
添加如下代碼到最后：

# match the resultlabelNums = len(predictions[0])labels = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck']for i in range(labelNums):if i == 0:maxPrediction = predictions[0][i]maxIndex = ielse:if maxPrediction < predictions[0][i]:maxIndex = imaxPrediction = predictions[0][i]print(labels[maxIndex])

修改完就可以來測試了，caffe在$CAFFE_ROOT/examples/images下有一些圖片。
輸入指令：

python python/classify.py --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 --center_only examples/images/cat.jpg foo

載入的圖片是cat.jpg，預測結果如下：

我另外從百度隨便下了幾張圖片來測試：
輸入指令（根據自己的圖片的文件名改下就可以了）：

python python/classify.py --model_def examples/cifar10/cifar10_quick.prototxt --pretrained_model examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 --center_only examples/images/cat2.jpg foo

貓

哈士奇居然被識別成貓了，但是我承認這張圖片的哈士奇的確不太像“狗”。

狗

汽車

cifar數據集訓練的結果識別效果不是很好，準確率較低，這里僅做學習實驗用。

總結

以上是生活随笔為你收集整理的caffe学习（五）：cifar-10数据集训练及测试（Ubuntu）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。