文中主要是給大家介紹了caffe的python插口之手寫(xiě)數(shù)字識(shí)別mnist案例詳細(xì)說(shuō)明，感興趣的小伙伴可以參考借鑒一下，希望可以有一定的幫助，祝愿大家多多的發(fā)展，盡早漲薪

　　論文引言

　　機(jī)器學(xué)習(xí)第一個(gè)案例一般都是是mnist，只需這個(gè)案例徹底搞懂了，其他的便是觸類(lèi)旁通的事了。因?yàn)樽謹(jǐn)?shù)緣故，文中不簡(jiǎn)單介紹環(huán)境變量里邊每一個(gè)指標(biāo)的具體函義，如果要搞明白的，請(qǐng)參考我之前的微博文章：

　　數(shù)據(jù)訪問(wèn)層及主要參數(shù)

　　視覺(jué)效果層及主要參數(shù)

　　solver環(huán)境變量及主要參數(shù)

　　一、數(shù)據(jù)準(zhǔn)備

　　官方網(wǎng)站給予的mnist數(shù)據(jù)信息并不是圖片，但是我們之后做出來(lái)的具體新項(xiàng)目很有可能是圖像。所以有的人并不知如何是好。在這里我們將mnist信息進(jìn)行了轉(zhuǎn)換，成了1張張的圖片，大伙兒訓(xùn)練先從照片逐漸。mnist圖片數(shù)據(jù)信息我放到了百度云。

　　mnist圖片數(shù)據(jù)信息立即下載

　　數(shù)據(jù)信息劃分成測(cè)試集（60000張共10類(lèi)）和測(cè)試集（共10000張10類(lèi)），每一個(gè)類(lèi)型放到一個(gè)獨(dú)立的文件夾里。并將所有的圖片，都形成了txt目錄明細(xì)（train.txt和test.txt)。大伙兒直接下載后，立即緩解壓力到用戶(hù)狀態(tài)目錄下就行了。因?yàn)槲沂窃趙indows下壓縮成的，所以是winrar文件。如果你們需在linux下壓縮包解壓，必須安裝rar的linux版本，也是非常簡(jiǎn)易

　　sudo apt-get install rar

　　二、導(dǎo)入caffe庫(kù)，并設(shè)定文件路徑

　　我是將mnist直接放在根目錄下的，所以代碼如下：

　　#-*-coding:utf-8-*-
　　import caffe
　　from caffe import layers as L,params as P,proto,to_proto
　　#設(shè)定文件的保存路徑
　　root='/home/xxx/'#根目錄
　　train_list=root+'mnist/train/train.txt'#訓(xùn)練圖片列表
　　test_list=root+'mnist/test/test.txt'#測(cè)試圖片列表
　　train_proto=root+'mnist/train.prototxt'#訓(xùn)練配置文件
　　test_proto=root+'mnist/test.prototxt'#測(cè)試配置文件
　　solver_proto=root+'mnist/solver.prototxt'#參數(shù)文件

　　其中train.txt和test.txt文件已經(jīng)有了，其它三個(gè)文件，我們需要自己編寫(xiě)。

　　此處注意：一般caffe程序都是先將圖片轉(zhuǎn)換成lmdb文件，但這樣做有點(diǎn)麻煩。因此我就不轉(zhuǎn)換了，我直接用原始圖片進(jìn)行操作，所不同的就是直接用圖片操作，均值很難計(jì)算，因此可以不減均值。

　　二、生成配置文件

　　配置文件實(shí)際上就是一些txt文檔，只是后綴名是prototxt，我們可以直接到編輯器里編寫(xiě)，也可以用代碼生成。此處，我用python來(lái)生成。

　　#編寫(xiě)一個(gè)函數(shù)，生成配置文件prototxt
　　def Lenet(img_list,batch_size,include_acc=False):
　　#第一層，數(shù)據(jù)輸入層，以ImageData格式輸入
　　data,label=L.ImageData(source=img_list,batch_size=batch_size,ntop=2,root_folder=root,
　　transform_param=dict(scale=0.00390625))
　　#第二層：卷積層
　　conv1=L.Convolution(data,kernel_size=5,stride=1,num_output=20,pad=0,weight_filler=dict(type='xavier'))
　　#池化層
　　pool1=L.Pooling(conv1,pool=P.Pooling.MAX,kernel_size=2,stride=2)
　　#卷積層
　　conv2=L.Convolution(pool1,kernel_size=5,stride=1,num_output=50,pad=0,weight_filler=dict(type='xavier'))
　　#池化層
　　pool2=L.Pooling(conv2,pool=P.Pooling.MAX,kernel_size=2,stride=2)
　　#全連接層
　　fc3=L.InnerProduct(pool2,num_output=500,weight_filler=dict(type='xavier'))
　　#激活函數(shù)層
　　relu3=L.ReLU(fc3,in_place=True)
　　#全連接層
　　fc4=L.InnerProduct(relu3,num_output=10,weight_filler=dict(type='xavier'))
　　#softmax層
　　loss=L.SoftmaxWithLoss(fc4,label)
　　if include_acc:#test階段需要有accuracy層
　　acc=L.Accuracy(fc4,label)
　　return to_proto(loss,acc)
　　else:
　　return to_proto(loss)
　　def write_net():
　　#寫(xiě)入train.prototxt
　　with open(train_proto,'w')as f:
　　f.write(str(Lenet(train_list,batch_size=64)))
　　#寫(xiě)入test.prototxt
　　with open(test_proto,'w')as f:
　　f.write(str(Lenet(test_list,batch_size=100,include_acc=True)))

　　配置文件里面存放的，就是我們所說(shuō)的network。我這里生成的network，可能和原始的Lenet不太一樣，不過(guò)影響不大。

　　三、生成參數(shù)文件solver

　　同樣，可以在編輯器里面直接書(shū)寫(xiě)，也可以用代碼生成。

　　#編寫(xiě)一個(gè)函數(shù)，生成參數(shù)文件
　　def gen_solver(solver_file,train_net,test_net):
　　s=proto.caffe_pb2.SolverParameter()
　　s.train_net=train_net
　　s.test_net.append(test_net)
　　s.test_interval=938#60000/64，測(cè)試間隔參數(shù)：訓(xùn)練完一次所有的圖片，進(jìn)行一次測(cè)試
　　s.test_iter.append(100)#10000/100測(cè)試迭代次數(shù)，需要迭代100次，才完成一次所有數(shù)據(jù)的測(cè)試
　　s.max_iter=9380#10 epochs,938*10，最大訓(xùn)練次數(shù)
　　s.base_lr=0.01#基礎(chǔ)學(xué)習(xí)率
　　s.momentum=0.9#動(dòng)量
　　s.weight_decay=5e-4#權(quán)值衰減項(xiàng)
　　s.lr_policy='step'#學(xué)習(xí)率變化規(guī)則
　　s.stepsize=3000#學(xué)習(xí)率變化頻率
　　s.gamma=0.1#學(xué)習(xí)率變化指數(shù)
　　s.display=20#屏幕顯示間隔
　　s.snapshot=938#保存caffemodel的間隔
　　s.snapshot_prefix=root+'mnist/lenet'#caffemodel前綴
　　s.type='SGD'#優(yōu)化算法
　　s.solver_mode=proto.caffe_pb2.SolverParameter.GPU#加速
　　#寫(xiě)入solver.prototxt
　　with open(solver_file,'w')as f:
　　f.write(str(s))
　　四、開(kāi)始訓(xùn)練模型
　　訓(xùn)練過(guò)程中，也在不停的測(cè)試。
　　#開(kāi)始訓(xùn)練
　　def training(solver_proto):
　　caffe.set_device(0)
　　caffe.set_mode_gpu()
　　solver=caffe.SGDSolver(solver_proto)
　　solver.solve()
　　最后，調(diào)用以上的函數(shù)就可以了。
　　if __name__=='__main__':
　　write_net()
　　gen_solver(solver_proto,train_proto,test_proto)
　　training(solver_proto)

　　五、完成的python文件

　　mnist.py
　　#-*-coding:utf-8-*-
　　import caffe
　　from caffe import layers as L,params as P,proto,to_proto
　　#設(shè)定文件的保存路徑
　　root='/home/xxx/'#根目錄
　　train_list=root+'mnist/train/train.txt'#訓(xùn)練圖片列表
　　test_list=root+'mnist/test/test.txt'#測(cè)試圖片列表
　　train_proto=root+'mnist/train.prototxt'#訓(xùn)練配置文件
　　test_proto=root+'mnist/test.prototxt'#測(cè)試配置文件
　　solver_proto=root+'mnist/solver.prototxt'#參數(shù)文件
　　#編寫(xiě)一個(gè)函數(shù)，生成配置文件prototxt
　　def Lenet(img_list,batch_size,include_acc=False):
　　#第一層，數(shù)據(jù)輸入層，以ImageData格式輸入
　　data,label=L.ImageData(source=img_list,batch_size=batch_size,ntop=2,root_folder=root,
　　transform_param=dict(scale=0.00390625))
　　#第二層：卷積層
　　conv1=L.Convolution(data,kernel_size=5,stride=1,num_output=20,pad=0,weight_filler=dict(type='xavier'))
　　#池化層
　　pool1=L.Pooling(conv1,pool=P.Pooling.MAX,kernel_size=2,stride=2)
　　#卷積層
　　conv2=L.Convolution(pool1,kernel_size=5,stride=1,num_output=50,pad=0,weight_filler=dict(type='xavier'))
　　#池化層
　　pool2=L.Pooling(conv2,pool=P.Pooling.MAX,kernel_size=2,stride=2)
　　#全連接層
　　fc3=L.InnerProduct(pool2,num_output=500,weight_filler=dict(type='xavier'))
　　#激活函數(shù)層
　　relu3=L.ReLU(fc3,in_place=True)
　　#全連接層
　　fc4=L.InnerProduct(relu3,num_output=10,weight_filler=dict(type='xavier'))
　　#softmax層
　　loss=L.SoftmaxWithLoss(fc4,label)
　　if include_acc:#test階段需要有accuracy層
　　acc=L.Accuracy(fc4,label)
　　return to_proto(loss,acc)
　　else:
　　return to_proto(loss)
　　def write_net():
　　#寫(xiě)入train.prototxt
　　with open(train_proto,'w')as f:
　　f.write(str(Lenet(train_list,batch_size=64)))
　　#寫(xiě)入test.prototxt
　　with open(test_proto,'w')as f:
　　f.write(str(Lenet(test_list,batch_size=100,include_acc=True)))
　　#編寫(xiě)一個(gè)函數(shù)，生成參數(shù)文件
　　def gen_solver(solver_file,train_net,test_net):
　　s=proto.caffe_pb2.SolverParameter()
　　s.train_net=train_net
　　s.test_net.append(test_net)
　　s.test_interval=938#60000/64，測(cè)試間隔參數(shù)：訓(xùn)練完一次所有的圖片，進(jìn)行一次測(cè)試
　　s.test_iter.append(500)#50000/100測(cè)試迭代次數(shù)，需要迭代500次，才完成一次所有數(shù)據(jù)的測(cè)試
　　s.max_iter=9380#10 epochs,938*10，最大訓(xùn)練次數(shù)
　　s.base_lr=0.01#基礎(chǔ)學(xué)習(xí)率
　　s.momentum=0.9#動(dòng)量
　　s.weight_decay=5e-4#權(quán)值衰減項(xiàng)
　　s.lr_policy='step'#學(xué)習(xí)率變化規(guī)則
　　s.stepsize=3000#學(xué)習(xí)率變化頻率
　　s.gamma=0.1#學(xué)習(xí)率變化指數(shù)
　　s.display=20#屏幕顯示間隔
　　s.snapshot=938#保存caffemodel的間隔
　　s.snapshot_prefix=root+'mnist/lenet'#caffemodel前綴
　　s.type='SGD'#優(yōu)化算法
　　s.solver_mode=proto.caffe_pb2.SolverParameter.GPU#加速
　　#寫(xiě)入solver.prototxt
　　with open(solver_file,'w')as f:
　　f.write(str(s))
　　#開(kāi)始訓(xùn)練
　　def training(solver_proto):
　　caffe.set_device(0)
　　caffe.set_mode_gpu()
　　solver=caffe.SGDSolver(solver_proto)
　　solver.solve()
　　#
　　if __name__=='__main__':
　　write_net()
　　gen_solver(solver_proto,train_proto,test_proto)
　　training(solver_proto)
　　我將此文件放在根目錄下的mnist文件夾下，因此可用以下代碼執(zhí)行
　　sudo python mnist/mnist.py

　　綜上所述，這篇文章就給大家介紹到這里了，希望可以給大家?guī)?lái)幫助。