简介

网站链接：CIFAR-10

CIFAR-10数据集包括由10个类别的事物，每个事物各有6000张彩色图像，每张图片的大小是32*32。

整个数据集被分成了5个训练集和1个测试集，各有10000张图片，即50000张图片用于训练，10000张图片用于测试（交叉验证）。

下载数据

注意：默认用$CAFFE_ROOT表示caffe的根目录。

输入指令：

cd $CAFFE_ROOT

./data/cifar10/get_cifar10.sh

随后，会自动下载数据。

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

训练集：

这5个文件就是分成了5份的那50000张图片。

data_batch_1.bin

data_batch_2.bin

data_batch_3.bin

data_batch_4.bin

data_batch_5.bin

测试集：

测试数据集，总共10000张图片。

test_batch.bin

类别说明：

说明了整个cifar-10数据集所包括的10个事物类别。

batches.meta.txt

图片格式转换

输入指令：

cd $CAFFE_ROOT

./examples/cifar10/create_cifar10.sh

之后会在目录下生成三个文件：

cifar10_test_lmdb：测试集的lmdb文件

cifar10_train_lmdb：训练集的lmdb文件

mean.binaryproto：整个数据集所有图片的均值文件

训练数据集

修改c pu

先打开train_quick.sh看看.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为cpu；如果使用的是gpu，则不需要更改，默认就已经是gpu模式了。

#!/usr/bin/env shset-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$@

输入指令：

cd $CAFFE_ROOT

./examples/cifar10/train_quick.sh

测试模型

我们不自己从头写python代码了，使用caffe提供的$CAFFE_ROOT/python/classify.py文件。

参考自：http://blog.csdn.net/asukasmallriver/article/details/73089944

打开classify.py：

在图中所示位置添加一行代码，目的是修改均值计算错误 ：

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

将预测的结果打印出来：

# 自己添加

print("Predictions:%s"% predictions)

将结果排序，并找到对应的是什么：

添加如下代码到最后：

# match the result

labelNums = 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 = i

else:

if maxPrediction < predictions[0][i]:

maxIndex = i

maxPrediction = predictions[0][i]

print(labels[maxIndex])

修改完就可以来测试了，caffe在$CAFFE_ROOT/examples/images下有一些图片。

输入指令：

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

载入的图片是cat.jpg，预测结果如下：

注释：cifar数据集训练的结果识别效果不是很好，准确率较低，这里仅做学习实验用。