在深度学习零率，caffe是一个非常高效的的图像处理框架，结合了nvidia的cuda，cudnn加速技术，非常适合进行AI CNN方向的图像分类，回归，分割等。
但是由于caffe的教程较少，而且配置比较复杂，可能用的人没有tf那么广泛。
昨天在Ubantu14.04上配置了caffe, CUDA8.0, Cudnn5.1等，从今天开始进行caffe的学习记录总结。
跑完make all runtest后，如果运行成功，表示caffe环境配置好了。
首先测试一下minist60000+10000
没问题：
然后用caffe自带的框架测试一下cifar分类。下载一个cifar10的数据。
cd ~caffe的root路径
./data/cifar10/get_cifar10 下载数据
./example/cifar10/create_cifar10.sh
然后
./example/cifar10/train_quick.sh 进行训练
这个时候发现一个error： 5232 db_lmdb.hpp:15] check failed : mdb_status == 0(2 vs. 0) No such file or directory 找不到路径
解决方案:
要运行caffe，首先需要有模型，也就是model，AlexNet,GoogleNet等。由多个layer组成，所有参数定义在caffe.proto中，层之间数据流动是以Blobs的方式进行
比如示例代码:
layer {
name: "cifar"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mean_file: "examples/cifar10/mean.binaryproto"
}
data_param {
source: "examples/cifar10/cifar10_train_lmdb"
batch_size: 100
backend: LMDB
}
}
name: layer name
type: layer type, Data表示数据来源为LevelDB or LMDB
top: 输出层，如果有两个top，则为(data,label）配对模型
bottm: input stuff
include：训练的阶段，实在train 还是test
Transformations: 数据预处理，比如设置scale = 0.00390625,实际是1/255， 讲像素区变为0-1区间
transform_param {
scale: 0.00390625
mean_file_size: "examples/cifar10/mean.binaryproto"
# 用一个配置文件来进行均值操作
mirror: 1 # 1表示开启镜像，0表示关闭，也可用ture和false来表示
# 剪裁一个 227*227的图块，在训练阶段随机剪裁，在测试阶段从中间裁剪
crop_size: 227
}
1. 数据来源为数据库
data_param部分：
source：数据来源，数据库目录名称
batch_size：批处理数量
可选参数 data param:
rand_skip: SGD use
backend: 采用LevelDB or LMDB, default: leveldb
2.数据来源为内存:
layer {
top: "data"
top: "label"
name: "memory_data"
type: "MemoryData"
memory_data_param{
batch_size: 2
height: 100
width: 100
channels: 1
}
transform_param {
scale: 0.0078125
mean_file: "mean.proto"
mirror: false
}
}
3.数据来源为HDF5:
layer {
name: "data"
type: "HDF5Data"
top: "data"
top: "label"
hdf5_data_param {
source: "examples/hdf5_classification/data/train.txt"
batch_size: 10
}
}
4.数据来源图片:
layer {
name: "data"
type: "ImageData"
top: "data"
top: "label"
transform_param {
mirror: false
crop_size: 227
mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
}
image_data_param {
source: "examples/_temp/file_list.txt"
batch_size: 50
new_height: 256
new_width: 256
}
}
必须设置的参数：
source: 一个文本文件的名字，每一行给定一个图片文件的名称和标签（label)
batch_size: 每一次处理的数据个数，即图片数
可选参数：
rand_skip: 在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。
shuffle: 随机打乱顺序，默认值为false
new_height,new_width: 如果设置，则将图片进行resize
5.数据来源为windows:
layer {
name: "data"
type: "WindowData"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 227
mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
}
window_data_param {
source: "examples/finetune_pascal_detection/window_file_2007_trainval.txt"
batch_size: 128
fg_threshold: 0.5
bg_threshold: 0.5
fg_fraction: 0.25
context_pad: 16
crop_mode: "warp"
}
}
原文地址：https://www.cnblogs.com/ChrisInsistPy/p/9583040.html