Caffe官方教程翻译（4）：CIFAR-10 turorial
前言
最近打算重新跟着官方教程学习一下caffe，顺便也自己翻译了一下官方的文档。自己也做了一些标注，都用斜体标记出来了。中间可能额外还加了自己遇到的问题或是运行结果之类的。欢迎交流指正，拒绝喷子！
官方教程的原文链接：http://caffe.berkeleyvision.org/gathered/examples/cifar10.html
Alex’s CIFAR-10 tutorial, Caffe style
Alex Krizhevsky的cuda-convert详细描述了在CIFAR-10数据集上取得了不错的表现的模型的定义，参数，以及训练过程等信息。这个例子就是对他的研究结果的基于caffe复现。
事先声明，我们默认你已经成功地编译了Caffe源码。如果没有，请参考Installation Page。在这篇教程中，我们也默认认为你的caffe安装在CAFFE_ROOT。
感谢@chyojn对定义模型的模式和解决方案的配置提供帮助。
这个例子也还只会一个半成品。最好还是进一步解释网络和训练选择的细节，并对整个训练进行基准测试。
准备数据集
首先你需要从CIFAR-10 website下载并转换数据集。为了做到这个，直接运行下面的命令：
cd $CAFFE_ROOT
./data/cifar10/get_cifar10.sh
./examples/cifar10/create_cifar10.sh如果终端反馈报错说wget或是gunzip没有安装，你还需要分别安装他们。在运行了上面的脚本之后，就可以得到数据集：./cifar10-leveldb，还有数据集图像均值文件：./mean.binaryproto。
模型
CIFAT-10模型是一个由卷积层、池化层、ReLu非线性单元、以及对比规范化的卷积神经网络，在所有层的最上层有一个线性分类器。我们已经把这个模型定义在了：CAFFE_ROOT/examples/cifar10/cifar10_quick_train_test.prototxt。
训练并测试”快捷“模型
在你已经写好了定义网络的prorbuf和解决方案的protobuf后，训练模型是很简单的（参考MNIST Tutorial）。直接运行train_quick.sh，或是输入如下指令：
cd $CAFFE_ROOT
./examples/cifar10/train_quick.shtrain_quick.sh是一个很简单的脚本，所以打开它看看。主要的训练工具就是有train模式的caffe，并且解决方案的protobuf是他的根据。
当你运行代码时，可以看到如下信息一闪而过：
I0317 21:52:48.945710 2008298256 net.cpp:74] Creating Layer conv1
I0317 21:52:48.945716 2008298256 net.cpp:84] conv1 <- data
I0317 21:52:48.945725 2008298256 net.cpp:110] conv1 -> conv1
I0317 21:52:49.298691 2008298256 net.cpp:125] Top shape: 100 32 32 32 (3276800)
I0317 21:52:49.298719 2008298256 net.cpp:151] conv1 needs backward computation.这些信息告诉了你各层的细节，它们的连接方式以及输出大小，这些东西在调试中会有很大帮助。在初始化之后，训练就会开始：
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文件的设置，每迭代100次我们会打印出训练的loss函数值，并每迭代500次测试一次整个网络。你会看到类似如下的一些信息：
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对于每一次训练的迭代，lr是那次迭代的学习率，loss是训练的损耗函数。对于测试阶段的输出值，score 0表示的是准确率，score 1表示额是测试集的loss函数输出值。
喝杯咖啡去吧，回来差不多就结束了。
I0317 22:12:19.666914 2008298256 solver.cpp:87] Iteration 5000, Testing net
I0317 22:12:25.580330 2008298256 solver.cpp:114] Test score #0: 0.7533
I0317 22:12:25.580379 2008298256 solver.cpp:114] Test score #1: 0.739837
I0317 22:12:25.587262 2008298256 solver.cpp:130] Snapshotting to cifar10_quick_iter_5000
I0317 22:12:25.590215 2008298256 solver.cpp:137] Snapshotting solver state to cifar10_quick_iter_5000.solverstate
I0317 22:12:25.592813 2008298256 solver.cpp:81] Optimization Done.我们的模型在测试集上取得了大概75%的准确率。模型的参数都保存在了一个二进制protobuf文件中：cifar10_quick_iter_5000。保存好的这个模型文件也可以在CPU和GPU模式下进行部署。如果要在新的数据集下部署这个模型，请查阅CAFFE_ROOT/examples/cifar10/cifar10_quick.prototxt文件。
为什么要在GPU上训练？
尽管CIFAR-10数据集依然比较小，但却已经有足够多的数据使得GPU的训练显得很有吸引了了。
如果要对比GPU和CPU的训练速度，可以在cifar*solver.prototxt中修改一行：
# solver mode: CPU or GPU
solver_mode: CPU然后你就可以使用CPU模式来训练了。
Caffe官方教程翻译（4）：CIFAR-10 turorial相关推荐
- Caffe官方教程翻译（10）：Editing model parameters
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
- Caffe官方教程翻译（8）：Brewing Logistic Regression then Going Deeper
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
- Caffe官方教程翻译（7）：Fine-tuning for Style Recognition
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
- Caffe官方教程翻译（6）：Learning LeNet
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
- Caffe官方教程翻译（5）：Classification: Instant Recognition with Caffe
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
- Caffe官方教程翻译（3）：Siamese Network Training with Caffe
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
- Caffe官方教程翻译（1）：LeNet MNIST Tutorial
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
- Caffe官方教程翻译（9）：Multilabel Classification with Python Data Layer
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
- Caffe官方教程翻译（2）：Web demo
前言 最近打算重新跟着官方教程学习一下caffe,顺便也自己翻译了一下官方的文档.自己也做了一些标注,都用斜体标记出来了.中间可能额外还加了自己遇到的问题或是运行结果之类的.欢迎交流指正,拒绝喷子! ...
最新文章
- Iaas、Caas、Paas、Faas！选择正确的平台！
- matlab中-psi_matlab输出论文仿真图
- 一本真正讲“大数据”处理思路的书
- python3 struct模块 处理二进制 pack unpack用法
- MySQL主从失败 错误Got fatal error 1236解决方法
- CentOS 7安装Zabbix 3.4
- 程序员经验分享：Android高级工程师系列学习路线介绍，面试必备
- Linux - 时间相关命令 - ntpdate, date, hwclock
- excel打开空白_啥？下载的文件显示“文件已损坏，无法打开”？
- 从头开始开发gis_DevRel工程师一：从头开始建立开发人员关系团队
- Spring高级之注解@Import注解、ImportSelector、ImportBeanDefinitionRegistrar详解（超详细）
- linux常用目录操作命令
- Java垃圾回收机制分析
- 面试：Synchronized锁升级（理解）
- solaris系统的crontab定时任务
- Ubutun16.04安装和使用daemontools
- Excel精选28个实用技巧实例学习
- 编程啦1001_超级最小公倍数
- 理解透彻！java微信公众号开发流程
- 日常坚持记账，简单好用的记账本分享给你