标签：inter   number   解压缩   protoc   als   efi   脚本   dia   cti   

1.mnist实例

##1.数据下载 获得mnist的数据包，在caffe根目录下执行./data/mnist/get_mnist.sh脚本。 get_mnist.sh脚本先下载样本库并进行解压缩，得到四个文件。 

2.生成LMDB

成功解压缩下载的样本库后，然后执行./examples/mnist/create_mnist.sh。 create_mnist.sh脚本先利用caffe-master/build/examples/mnist/目录下的convert_mnist_data.bin工具，将mnist data转化为caffe可用的lmdb格式文件，然后将生成的mnist-train-lmdb和mnist-test-lmdb两个文件放在caffe-master/example/mnist目录下面。

3.网络配置

LeNet网络定义在./examples/mnist/lenet_train_test.prototxt 文件中。

name: "LeNet"
layer {
  name: "mnist"    //输入层的名称mnist
  type: "Data"     //输入层的类型为Data层
  top: "data"      //本层下一场连接data层和label blob空间
  top: "label"
  include {
    phase: TRAIN   //训练阶段
  }
  transform_param {
    scale: 0.00390625  //输入图片像素归一到[0,1].1除以256为0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"  //从mnist_train_lmdb中读入数据
    batch_size: 64    //batch大小为64，一次训练64条数据
    backend: LMDB
  }
}
layer {
  name: "mnist"    //输入层的名称mnist
  type: "Data"     //输入层的类型为Data层
  top: "data"      //本层下一场连接data层和label blob空间
  top: "label"
  include {
    phase: TEST   //测试阶段
  }
  transform_param {
    scale: 0.00390625  //输入图片像素归一到[0,1].1除以256为0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_test_lmdb"  //从mnist_test_lmdb中读入数据
    batch_size: 100    //batch大小为100，一次训练100条数据
    backend: LMDB
  }
}
layer {
  name: "conv1"    //卷积层名称conv1
  type: "Convolution"    //层类型为卷积层
  bottom: "data"    //本层使用上一层的data，生成下一层conv1的blob
  top: "conv1"
  param {
    lr_mult: 1    //权重参数w的学习率倍数
  }
  param {
    lr_mult: 2    //偏置参数b的学习率倍数
  }
  convolution_param {
    num_output: 20    //输出单元数20
    kernel_size: 5    //卷积核大小为5*5
    stride: 1         //步长为1
    weight_filler {   //允许用随机值初始化权重和偏置值
      type: "xavier"  //使用xavier算法自动确定基于输入—输出神经元数量的初始规模
    }
    bias_filler {
      type: "constant"    //偏置值初始化为常数，默认为0
    }
  }
}
layer {
  name: "pool1"      //层名称为pool1
  type: "Pooling"    //层类型为pooling
  bottom: "conv1"    //本层的上一层是conv1，生成下一层pool1的blob
  top: "pool1"
  pooling_param {    //pooling层的参数
    pool: MAX        //pooling的方式是MAX
    kernel_size: 2   //pooling核是2*2
    stride: 2        //pooling步长是2
  }
}
layer {
  name: "conv2"    //第二个卷积层，同第一个卷积层相同，只是卷积核为50
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool2"     //第二个pooling层，与第一个pooling层相同
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {            //全连接层
  name: "ip1"      //全连接层名称ip1
  type: "InnerProduct"    //层类型为全连接层
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {     //全连接层的参数
    num_output: 500         //