使用caffe自带模型训练cifar10数据集

前面训练了mnist数据集！但caffe自带的数据集还有cifar10数据集。同样cifar10数据集也是分类数据集，共分10类。cifar10数据集中包含60000张32x32的彩色图片。（其中包括50000张作为训练集，10000张作为测试集）对于cifar10数据集更为详细的了解请各位百度，在此不再赘述。本文主要谈谈使用caffe自带模型对cifar10数据集进行训练的过程。

cifar10数据集训练步骤如下：

1.下载cifar10数据集：

进入caffe目录（cd caffe)，输入以下指令:

./data/cifar10/get_cifar10.sh

程序运行结束即可在同一目录下生成训练集和测试集数据。

2.转换数据格式:

输入以下命令：

./examples/cifar10/create_cifar10.sh

在caffe/data/cifar10中出现相关数据，在caffe/examples/cifar10中出现cifar_train_lmdb和cifar_test_lmdb。

3.配置适合自己的solver文件:

若是使用CPU进行训练，对文件做部分修改，在solvers文件中将solver_mode中的GPU改为CPU。

4.开始训练数据:

使用以下命令：

./examples/cifar10/train_quick.sh

以上就完成了cifar10数据集（quick版）的训练。什么叫quick版呢？原来在cifar10数据集中根据训练次数的多少。把训练模型分为了quick版和full版。下面介绍下quick和full的区别：

quick中先以0.001的学习率训练4000次（见文件caffe/cirfa10/cirf10_quick_solver)。再以0.0001的学习率训练1000次（见文件caffe/cirfa10/cirfa10_quick_solver_lr1)

full中先以0.001的学习率训练60000次（见文件caffe/cirfa10/cirfa10_full_solver),再以0.0001的学习率训练5000次（见文件caffe/cirfa10/caifa10/cirfa10_full_solver_lr1)，再以0.00001的学习率训练5000次（见文件caffe/cirfa10/cirfa10_full_solver_lr2)。

Quick和full版本结构图如下:
1.quick版本：

2.full版本：

两图之间最大的区别：full使用了1个全连接层，quick使用了2个全连接层

正如题目所说，很多人会有疑惑：啥叫自带模型？其实这个意思是caffe下载的时候自动提供的文件，而且我也不知道用什么名字去形容。下面详细的介绍下整个训练模型的结构：

输入层-卷积层1-池化层1（最大池化）-非线性层1（relu)-norm层1-卷积层2-非线性层2（relu)-池化层2（平均池化）-norm层2-卷积层3-非线性层3-池化层3（平均池化）-全连接层-精度层-输出损失层

相对于之前的mnist数据集的训练，norm层是新增加的。下面简单介绍一下norm层。（更为详细的介绍，请各位自行百度）

norm层介绍：Local Response Normalization (LRN)层，此层是对一个输入的局部区域进行归一化。在Alexnet和Googlenet中都使用了这个类型的层

同样不要忘记，对模型的测试：

sudo ./build/tools/caffe.bin test -model=examples/cifar10/cifar10_quick_train_test.prototxt
-weights=examples/cifar10/cifar10_quick_iter_4000.caffemodel;

到此为止，完成了cifar10数据集的模型建立。第二次完成后是不是感觉轻车熟路，理解更深了呢？在后面的博客中，会使用其他更为经典、更为著名的模型对cifar10进行测试。（ps:为啥选择cifar10而不是mnist，是因为在Lenet网络结构下，mnist数据集模型的精度已经达到较高水平，换用其他高级模型增长不是特别大了，使用cifar10更为典型！）

由于本文作者水平有限，如有不足之处，请各位在下方评论区指正，谢谢！