macOS Sierra (10.12.4)系统上Caffe借助现有的模型训练自己的数据集

Caffe代码中自带一些模型的例子，这些例子在源代码的models目录下，这些都是其他项目中用来训练的配置文件，学习的时候,我们没有必要完全自己从头到尾搭建自己的网络模型，而是直接使用例子中的模型，后期在这些模型上简单调整一下，一般可以满足大多数的需求。

下面我们以models/bvlc_alexnet目录下的模型配置文件为例子，训练我们自己的神经网络。

这个目录下有四个文件，如下图：

简单介绍一下这个几个文件：
train_val.prototxt用来定义训练神经网络时候的模型信息，主要定义训练时候的神经网络应该如何构造，比如分多少层，每层的行为是什么。
solver.prototxt用来定义神经网络运行的参数，比如使用CPU还是GPU，神经网络的配置文件（train_val.prototxt）的位置，以及文件名。
deploy.prototxt用来定义使用神经网络识别图片的时候使用的网络定义文件，一般是train_val.prototxt简单修改后得到的。

介绍完成神经网络模型，我们接下来需要提供我们的训练图片，用来让神经网络根据我们指定的图片进行学习。

我们以iPad上的植物大战僵尸的资源图片为例子,让Caffe帮我们识别哪些是僵尸，哪些是植物。完整的例子可以从这里下载。

简单讲一下图片目录，其中的train目录下的图片为训练的图片，而detect目录为用来测试识别的图片。

本次，我们在新建的examples/PlantsVsZombies这个目录下进行操作。操作之前请参照macOS Sierra (10.12.3)编译Caffe保证可以成功编译Caffe。

注意，由于我们使用现有的神经网络模型来训练数据，因此，我们只需要提供训练图片集合就可以了，不需要提供验证图片集合，这个集合是用来调教神经网络配置文件的，我们已经有了配置好的文件，就没必要再重新调教神经网络配置了。

1.生成训练图片的索引文件train.txt，里面的内容如下：

注意后面的索引编号对应我们下面的标签文件的索引序号。

2.生成标签文件labels.txt，用来描述图片的内容：

3.整合图片以及描述信息为lmdb格式，方便Caffe进行高性能的IO操作:
在examples/PlantsVsZombies目录下创建create_images.sh脚本，脚本内容如下：

在代码的根目录下执行如下脚本：

4.生成图片均值文件，提高训练效率

在examples/PlantsVsZombies目录下创建make_mean.sh脚本，脚本内容如下：

在代码的根目录下执行如下脚本：

5.拷贝代码中的models/bvlc_alexnet中的文件到我们自己的工程目录中，并进行修改

修改配置信息

原始内容为：

修改为：

继续调整

原始内容为：

修改后为：

本质上就是调整均值文件，数据库的路径。另外就是

这部分是分类的数量，我们目前只有两个分类，因此，把num_output:1000（ImageNet是1000个分类）调整为num_output:2。
上面的参数，同样需要调整deploy.prototxt里面的num_output里面的参数。

6.训练神经网络
在examples/PlantsVsZombies目录下创建train_alexnet.sh脚本,脚本内容如下：

代码的根目录下执行

整个执行过程差不多需要28分钟左右才算是处理完成。

7.用植物碎片验证分类结果

输出结果如下：

参考链接

---

• Caffe学习系列(7)：solver及其配置
• 利用Caffe训练模型(solver、deploy、train_val)+python使用已训练模型
• 基于caffe的图像分类(1)——制作train.txt和val.txt文件
• 训练集(train set)、 验证集(validation set) 、测试集(test set)
• 基于caffe的图像分类(3)——修改网络并训练模型