【caffe】mnist数据集lenet训练与测试

在上一篇中，费了九牛二虎之力总算是把Caffe编译通过了，现在我们可以借助mnist数据集，测试下Caffe的训练和检测效果。

准备工作：在自己的工作目录下，新建一个文件夹，命名为mnist_test（根据自己的习惯设定）。同时，建议大家安装文本编辑神器Notepad++，用它来编辑各种格式的文本真的很方便！这里用于打开和编辑用到的各种文件。

1、mnist手写数字数据集下载（http://yann.lecun.com/exdb/mnist/）。

将下图中的4个文件均下载到mnist_test文件夹下，并解压到当前文件夹，得到如下4个文件：t10k-labels.idx1-ubyte，train-labels.idx1-ubyte，t10k-images.idx3-ubyte，train-images.idx3-ubyte。

2、lmdb格式训练集和测试集转换。

2.1 在mnist_test文件夹下新建两个文本文件，分别命名为：create_minist_trainlmdb.bat和create_minist_testlmdb.bat。

2.2 向create_minist_trainlmdb.bat中添加如下内容，并保存：

D:\Libraries\caffe\msvc2013_64\bin\convert_mnist_data.exe train-images.idx3-ubyte train-labels.idx1-ubyte mnist_train_lmdb
pause

convert_mnist_data.exe位于caffe安装目录的bin文件夹下，无需将其拷到当前目录，只要制定其绝对路径即可。注意输入的文件名要正确，否则找不到，会报错！

2.3 向create_minist_testlmdb.bat中添加如下内容，并保存：

D:\Libraries\caffe\msvc2013_64\bin\convert_mnist_data.exe t10k-images.idx3-ubyte t10k-labels.idx1-ubyte mnist_test_lmdb
pause

双击执行这两个.bat文件，会在当前文件夹下生成如下两个文件夹，里面分别保存着lmdb格式的训练集和测试集。

3、训练caffemodel并测试。

在caffe源码目录下有一个examples文件夹，在examples文件夹下有一个mnist文件夹，将该文件夹下如下三个文件：lenet.prototxt、lenet_solver.prototxt和lenet_train_test.prototxt，拷贝到mnist_test文件夹下。

打开lenet_solver.prototxt，将net的值改为lenet_train_test.prototxt，同时可以修改solver_mode，可以是CPU，也可以是GPU，其他参数也可以做适当调整，这里不再调整。

再打开lenet_train_test.prototxt，将对应的内容按照指定的格式进行修改，如下图所示：

新建一个文本文件，重新命名为train.bat，添加如下内容：

D:\Libraries\caffe\msvc2013_64\bin\caffe.exe train --solver=lenet_solver.prototxt
pause

保存，双击执行，运行界面如下：

运行完毕，会在当前文件夹下生成如下四个文件（即训练出来的模型）：

下面进行测试，在当前文件夹下新建一个文本文件，重新命名为test.bat，添加如下内容：

D:\Libraries\caffe\msvc2013_64\bin\caffe.exe test --model lenet_train_test.prototxt -weights=lenet_iter_10000.caffemodel
pause

保存，双击打开，执行结果如下：

至此caffe模型训练完毕，下面使用图片进行实测。

4、计算mean.binaryproto。

在进行实测之前，我们需要计算模型的均值，具体方法如下。

4.1 打开之前的lenet_train_test.prototxt，作进一步修改，添加如下两处内容：

4.2 新建一个文本文件，重命名为computer_image_mean.bat，向其中添加如下内容：

D:\Libraries\caffe\msvc2013_64\bin\compute_image_mean.exe mnist_train_lmdb mean.binaryproto --backend=lmdb
pause

保存，双击执行，会在当前目录下生成文件mean.binaryproto。

5、实际图片分类测试。

5.1 测试图片

有些博客介绍了如何生成测试图片（ http://blog.csdn.net/zb1165048017/article/details/52217772），这里就不做多的介绍了。可以直接将下面的这个图片保存到当前目录下，供测试使用。

5.2 新建一个文本文档，命名为label.txt，添加如下内容：

5.3 新建一个文本文档，重新命名为 classification.bat，添加如下内容：

D:\Libraries\caffe\msvc2013_64\bin\classification.exe lenet.prototxt lenet_iter_10000.caffemodel mean.binaryproto label.txt 5.png
pause

保存，双击执行，如下：

这里，我们也可以使用leveldb格式的文件进行测试，只需要将相应配置选项由lmdb转换成leveldb即可。

参考资料：

[1] http://www.cnblogs.com/yixuan-xu/p/5858595.html;

[2] http://blog.csdn.net/zb1165048017/article/details/52217772;

2017.07.19

【caffe】mnist数据集lenet训练与测试相关推荐

【Pytorch】MNIST数据集的训练和测试
训练和测试的完整代码: import torch import torch.nn as nn import torch.nn.functional as F from torchvision impo ...
mnist数据集在caffe(windows)上的训练与测试及对自己手写数字的分类
以下出自http://www.cnblogs.com/yixuan-xu/p/5858595.html 我按照大神的运算步骤完全正确,只是为了加深理解,自己又重新写了一遍,详情请看上述大神博客. 对m ...
FCN制作自己的数据集、训练和测试 caffe
原文:http://blog.csdn.net/zoro_lov3/article/details/74550735 FCN制作自己的数据集.训练和测试全流程花了两三周的时间,在导师的催促下,把FC ...
DL之DNN：自定义2层神经网络TwoLayerNet模型(计算梯度两种方法)利用MNIST数据集进行训练、预测
DL之DNN:自定义2层神经网络TwoLayerNet模型(计算梯度两种方法)利用MNIST数据集进行训练.预测导读利用python的numpy计算库,进行自定义搭建2层神经网络TwoLayerN ...
在MNIST数据集上训练一个手写数字识别模型
使用Pytorch在MNIST数据集上训练一个手写数字识别模型, 代码和参数文件可下载 1.1 数据下载 import torchvision as tvtraining_sets = tv.dat ...
DL之DNN：自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练、预测
DL之DNN:自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练.预测导读计算图在神经网络算法中的作用.计算图的节点是由局部计算构成的. ...
DL之DNN：自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练、GC对比
DL之DNN:自定义2层神经网络TwoLayerNet模型(封装为层级结构)利用MNIST数据集进行训练.GC对比导读神经网络算法封装为层级结构的作用.在神经网络算法中,通过将 ...
DL之DCGNN：基于TF利用DCGAN实现在MNIST数据集上训练生成新样本
DL之DCGNN:基于TF利用DCGAN实现在MNIST数据集上训练生成新样本目录输出结果设计思路实现部分代码说明:所有图片文件丢失输出结果更新-- 设计思路更新-- 实现部分代码更 ...
python划分数据集用pandas_用pandas划分数据集实现训练集和测试集
1.使用model_select子模块中的train_test_split函数进行划分数据:使用kaggle上Titanic数据集划分方法:随机划分 # 导入pandas模块,sklearn中mo ...

【caffe】mnist数据集lenet训练与测试

【caffe】mnist数据集lenet训练与测试相关推荐

最新文章

热门文章