本系列文章由 @yhl_leo 出品，转载请注明出处。
文章链接： http://blog.csdn.net/yhl_leo/article/details/53727411
在以前的一篇博客中，我整理了如何根据CIFAR10的数据组织方式，制作自己的数据集，然后略微调整tensorflow 提供的demo进行训练，获得了一些关注，现在重新公布一个简单的方法，不需要制作像CIFAR10那样的数据集，也不用lmdb数据格式，直接使用原始数据，利用caffe训练简单的分类网络。
发布于GitHub: yhlleo/CreateSimpleNetworks.
在caffe的layer中，已有image_data_layer，对于image+label类型的训练数据，数据读取过程很简单：
LOG(INFO) << "Opening file " << source; std::ifstream infile(source.c_str()); string line; size_t pos; int label; while (std::getline(infile, line)) { pos = line.find_last_of(' '); label = atoi(line.substr(pos + 1).c_str()); lines_.push_back(std::make_pair(line.substr(0, pos), label)); } CHECK(!lines_.empty()) << "File is empty"; if (this->layer_param_.image_data_param().shuffle()) { // randomly shuffle data LOG(INFO) << "Shuffling data"; const unsigned int prefetch_rng_seed = caffe_rng_rand(); prefetch_rng_.reset(new Caffe::RNG(prefetch_rng_seed)); ShuffleImages(); } LOG(INFO) << "A total of " << lines_.size() << " images.";即，需要制作训练文件列表格式为：
.../path/img1.jpg 0/path/img2.jpg 1...完成训练文件列表后，简单搭建起一个小型网络：
指定好train.prototxt， solver.prototxt和deploy.prototxt文件，就可以训练。
启动训练：
## train.py ##from __future__ import divisionimport numpy as npimport syscaffe_root = '/path/caffe/' sys.path.insert(0, caffe_root)import caffe# initcaffe.set_mode_gpu()caffe.set_device(0)solver = caffe.SGDSolver('/path/Models/solver.prototxt')solver.step(60000)批量测试：
import numpy as npimport os, cv2import timeimport caffe# Make sure that caffe is on the python path:caffe_root = '/path/caffe/' import syssys.path.insert(0, caffe_root + 'python')caffe.set_mode_gpu()caffe.set_device(0)def findImages(dir,topdown=True): im_list = [] if not os.path.exists(dir): print "Path for {} not exist!".format(dir) raise else: for root, dirs, files in os.walk(dir, topdown): for fl in files: im_list.append(os.path.join(root, fl)) return im_listdata_root = '/path/test/test1'test_lst = findImages(data_root)savefolder = '/path/test/'name = 'test1.txt'OutDir = open(savefolder+name, 'w');net = caffe.Net('/path/Models/xh_deploy.prototxt', '/path/train/net_iter_60000.caffemodel', caffe.TEST)time_consum = []for idx in range(len(test_lst)): im = cv2.imread(test_lst[idx], cv2.IMREAD_UNCHANGED) sp = im.shape in_ = np.array(im, dtype=np.float32) in_ = in_[:,:,::-1] in_ = in_.transpose((2,0,1)) net.blobs['data'].reshape(1, *in_.shape) net.blobs['data'].data[...] = in_ start =time.clock() net.forward() end = time.clock() time_consum.append(end-start) fuse = net.blobs['prob'].data[0] fname = test_lst[idx].split('/')[-1] OutDir.write("%s %.3f %.3f %.3fn"%(fname, fuse[0], fuse[1], fuse[2]))print sum(time_consum)/len(time_consum)OutDir.close()测试结果（数据集分为两类），因此四列分别对应着：文件名，label为0的概率，label为1的概率和其它类别的概率：
1-1.jpg 1.000 0.000 0.0001-2.jpg 1.000 0.000 0.0001-3.jpg 1.000 0.000 0.0001-4.jpg 1.000 0.000 0.0001-5.jpg 1.000 0.000 0.0001-6.jpg 1.000 0.000 0.0001-7.jpg 1.000 0.000 0.0001-8.jpg 1.000 0.000 0.0001001-1.jpg 0.594 0.405 0.0011002-1.jpg 0.009 0.990 0.0001002-10.jpg 1.000 0.000 0.000...转载于:https://www.cnblogs.com/hehehaha/p/6332107.html