关键词：
首先得到了https://blog.csdn.net/gybheroin/article/details/72581318系列博客的帮助。表示感激。
关于安装caffe已在之前的博客介绍，自用可行，https://www.cnblogs.com/MY0213/p/9225310.html
1.数据源
首先使用的数据集为人脸数据集,可在百度云自行下载：
链接：https://pan.baidu.com/s/156DiOuB46wKrM0cEaAgfMw 密码：1ap0
将train.zip解压可得数据源，label文件是val.txt和train.txt。
2.将图片数据做成lmdb数据源
SET GLOG_logtostderr=1 SET RESIZE_HEIGHT=227 SET RESIZE_WIDTH=227 "convert_imageset" --resize_height=227 --resize_width=227 --shuffle "train/" "train.txt" "mtraindb" "convert_imageset" --resize_height=227 --resize_width=227 --shuffle "val/" "val.txt" "mvaldb" pause
详见face_lmdb.bat,将数据做成同等大小的数据。
3. 得到图像均值
SET GLOG_logtostderr=1 "compute_image_mean" "mtraindb" "train_mean.binaryproto" pause
详见mean_face.bat
训练时先做减均值的操作，可能对训练效果有好处
这里可以用固定的图片均值，是多少可以直接百度谷歌，这一步也可以不做，唐宇迪大神说影响不大。
4. 图像训练
SET GLOG_logostderr=1 caffe train --solver=solver.prototxt pause
详见train.bat
net: "train.prototxt" test_iter: 100 test_interval: 1000 # lr for fine-tuning should be lower than when starting from scratch base_lr: 0.001 lr_policy: "step" gamma: 0.1 # stepsize should also be lower, as we‘re closer to being done stepsize: 1000 display: 50 max_iter: 10000 momentum: 0.9 weight_decay: 0.0005 snapshot: 1000 snapshot_prefix: "model" # uncomment the following to default to CPU mode solving # solver_mode: CPU
详见solver.prototxt
关于solver.prototxt的内涵可查看
https://blog.csdn.net/qq_27923041/article/details/55211808
############################# DATA Layer #############################
name: "face_train_val"
layer
top: "data"
top: "label"
name: "data"
type: "Data"
data_param
source: "mtraindb"
backend:LMDB
batch_size: 64
transform_param
mean_file: "train_mean.binaryproto"
mirror: true
include: phase: TRAIN
layer
top: "data"
top: "label"
name: "data"
type: "Data"
data_param
source: "mvaldb"
backend:LMDB
batch_size: 64
transform_param
mean_file: "train_mean.binaryproto"
mirror: true
include:
phase: TEST
layer
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
param
lr_mult: 1
decay_mult: 1
param
lr_mult: 2
decay_mult: 0
convolution_param
num_output: 96
kernel_size: 11
stride: 4
weight_filler
type: "gaussian"
std: 0.01
bias_filler
type: "constant"
value: 0
layer
name: "relu1"
type: "ReLU"
bottom: "conv1"
top: "conv1"
layer
name: "norm1"
type: "LRN"
bottom: "conv1"
top: "norm1"
lrn_param
local_size: 5
alpha: 0.0001
beta: 0.75
layer
name: "pool1"
type: "Pooling"
bottom: "norm1"
top: "pool1"
pooling_param
pool: MAX
kernel_size: 3
stride: 2
layer
name: "conv2"
type: "Convolution"
bottom: "pool1"
top: "conv2"
param
lr_mult: 1
decay_mult: 1
param
lr_mult: 2
decay_mult: 0
convolution_param
num_output: 256
pad: 2
kernel_size: 5
group: 2
weight_filler
type: "gaussian"
std: 0.01
bias_filler
type: "constant"
value: 0.1
layer
name: "relu2"
type: "ReLU"
bottom: "conv2"
top: "conv2"
layer
name: "norm2"
type: "LRN"
bottom: "conv2"
top: "norm2"
lrn_param
local_size: 5
alpha: 0.0001
beta: 0.75
layer
name: "pool2"
type: "Pooling"
bottom: "norm2"
top: "pool2"
pooling_param
pool: MAX
kernel_size: 3
stride: 2
layer
name: "conv3"
type: "Convolution"
bottom: "pool2"
top: "conv3"
param
lr_mult: 1
decay_mult: 1
param
lr_mult: 2
decay_mult: 0
convolution_param
num_output: 384
pad: 1
kernel_size: 3
weight_filler
type: "gaussian"
std: 0.01
bias_filler
type: "constant"
value: 0
layer
name: "relu3"
type: "ReLU"
bottom: "conv3"
top: "conv3"
layer
name: "conv4"
type: "Convolution"
bottom: "conv3"
top: "conv4"
param
lr_mult: 1
decay_mult: 1
param
lr_mult: 2
decay_mult: 0
convolution_param
num_output: 384
pad: 1
kernel_size: 3
group: 2
weight_filler
type: "gaussian"
std: 0.01
bias_filler
type: "constant"
value: 0.1
layer
name: "relu4"
type: "ReLU"
bottom: "conv4"
top: "conv4"
layer
name: "conv5"
type: "Convolution"
bottom: "conv4"
top: "conv5"
param
lr_mult: 1
decay_mult: 1
param
lr_mult: 2
decay_mult: 0
convolution_param
num_output: 256
pad: 1
kernel_size: 3
group: 2
weight_filler
type: "gaussian"
std: 0.01
bias_filler
type: "constant"
value: 0.1
layer
name: "relu5"
type: "ReLU"
bottom: "conv5"
top: "conv5"
layer
name: "pool5"
type: "Pooling"
bottom: "conv5"
top: "pool5"
pooling_param
pool: MAX
kernel_size: 3
stride: 2
layer
name: "fc6"
type: "InnerProduct"
bottom: "pool5"
top: "fc6"
param
lr_mult: 1
decay_mult: 1
param
lr_mult: 2
decay_mult: 0
inner_product_param
num_output: 4096
weight_filler
type: "gaussian"
std: 0.005
bias_filler
type: "constant"
value: 0.1
layer
name: "relu6"
type: "ReLU"
bottom: "fc6"
top: "fc6"
layer
name: "drop6"
type: "Dropout"
bottom: "fc6"
top: "fc6"
dropout_param
dropout_ratio: 0.5
layer
name: "fc7"
type: "InnerProduct"
bottom: "fc6"
top: "fc7"
param
lr_mult: 1
decay_mult: 1
param
lr_mult: 2
decay_mult: 0
inner_product_param
num_output: 4096
weight_filler
type: "gaussian"
std: 0.005
bias_filler
type: "constant"
value: 0.1
layer
name: "relu7"
type: "ReLU"
bottom: "fc7"
top: "fc7"
layer
name: "drop7"
type: "Dropout"
bottom: "fc7"
top: "fc7"
dropout_param
dropout_ratio: 0.5
layer
name: "fc8-expr"
type: "InnerProduct"
bottom: "fc7"
top: "fc8-expr"
param
lr_mult: 10
decay_mult: 1
param
lr_mult: 20
decay_mult: 0
inner_product_param
num_output: 2
weight_filler
type: "gaussian"
std: 0.01
bias_filler
type: "constant"
value: 0
layer
name: "accuracy"
type: "Accuracy"
bottom: "fc8-expr"
bottom: "label"
top: "accuracy"
include
phase: TEST
layer
name: "loss"
type: "SoftmaxWithLoss"
bottom: "fc8-expr"
bottom: "label"
top: "loss"
详见train.prototxt，也就是将alexnet中最后的1000变为2就可以了。
这个过程需要5天左右（我用的cpu）,可以直接用已有模型alexnet_iter_50000_full_conv.caffemodel
5. 测试
可用run_face_detect_batch.py测试人脸检测效果。
6. 总结
这个网络测试时特别慢，用的是slipping window的方法。下面的文章再介绍快速一点的faster rcnn 及FPN。
slipping window中用了Casting a Classifier into a Fully Convolutional Network 的方法。这一方法在其他网络中也可用。
关于rcnn的演进，可见https://www.cnblogs.com/MY0213/p/9460562.html
欢迎批评指正。
使用caffe的cifar10网络模型训练自己的图片数据
由于我涉及一个车牌识别系统的项目，计划使用深度学习库caffe对车牌字符进行识别。刚开始接触caffe，打算先将示例中的每个网络模型都拿出来用用，当然这样暴力的使用是不会有好结果的--|||，所以这里只是记录一下示例... 查看详情
caffe_ssd学习-用自己的数据做训练
几乎没用过linux操作系统，不懂shell编程，linux下shell+windows下UltraEdit勉勉强强生成了train.txt和val.txt期间各种错误辛酸不表，照着examples/imagenet/readme勉勉强强用自己的数据集把reference_caffenet训起来了，小笔记本的风扇又开始呼呼呼... 查看详情
caffe的学习和使用·一」--使用caffe训练自己的数据
学习知识的一种方式是先会用然后再问为什么。在安装完成caffe，根据caffe的提示下载完mnist训练测试数据，并且运行lenet训练模型之后，摆在眼前的问题就是我怎么用caffe训练自己的数据啊，mnist的数据通过脚本就可以下载创建成... 查看详情
windows环境caffe安装配置步骤（无gpu）及mnist训练
...手熟悉Caffe,考虑到直接上手Ubuntu会有些难度，所以首先在windows环境下打个基础。有个插曲，台式机由于某些原因只能保持在32位系统，编译caffe.cpp时才发现系统不兼容，然后才换到64位的笔记本上进行操作。 前期准备： 查看详情
Caffe：如何使用已经训练好的模型一次检查多个数据集的准确性？
】Caffe：如何使用已经训练好的模型一次检查多个数据集的准确性？【英文标题】：Caffe:HowtocheckaccuraciesofmultipleDatasetswithalreadytrainedmodelatatime?【发布时间】：2016-11-0413:41:12【问题描述】：在Caffe框架中使用2个类别的10k图像训练LeNe... 查看详情
从零到一：caffe-windows(cpu)配置与利用mnist数据集训练第一个caffemodel
一、前言 本文会详细地阐述caffe-windows的配置教程。由于博主自己也只是个在校学生，目前也写不了太深入的东西，所以准备从最基础的开始一步步来。个人的计划是分成配置和运行官方教程，利用自己的数据集进... 查看详情
如何在 caffe 中训练/测试我自己的数据集？
...和标签是(-1,+1)保存在data.mat中）。但是，我不太明白如何使用caffe来实现自己的数据集？有没有分步 查看详情
华农华迪实训训练-获得词频前10的字段数据-requests+sparkrdd(代码片段)
题目1、网络数据采集，使用requests或者scrapy爬取数据，存储到一个文本文件数据源文件.txt中。2、使用SparkRDD或者SparkSql，读取数据源文件.txt内容，对某一个字段的数据进行统计，获得词频前10的字段数据。把... 查看详情
华农华迪实训训练-获得词频前10的字段数据-requests+sparkrdd(代码片段)
题目1、网络数据采集，使用requests或者scrapy爬取数据，存储到一个文本文件数据源文件.txt中。2、使用SparkRDD或者SparkSql，读取数据源文件.txt内容，对某一个字段的数据进行统计，获得词频前10的字段数据。把... 查看详情
使用caffe训练mnist数据集-caffe教程实战
个人认为学习一个陌生的框架，最好从例子开始，所以我们也从一个例子开始。学习本教程之前，你需要首先对卷积神经网络算法原理有些了解，而且安装好了caffe卷积神经网络原理参考：http://cs231n.stanford.edu/syllabus.htmlUbuntu安装... 查看详情
使用 Caffe 内存层不会产生一致和确定性的结果
...icresults【发布时间】：2016-02-1812:42:35【问题描述】：我在Windows764位机器上使用适用于windows的Caffe框架（从here下载）。我在VisualStudioCommunity2013中使用C++。我使用预训练的Go 查看详情
如何使用opencvdnn模块调用caffe预训练模型？(代码片段)
QStringmodelPrototxt="D:\\Qt\\qmake\\CaffeModelTest\\caffe\\lenet.prototxt";QStringmodelBin="D:\\Qt\\qmake\\CaffeModelTest\\caffe\\snapshot_iter_10000.caffemodel";QStringimageFile= 查看详情
如何使用caffe训练mnist后得到的lenet
参考技术A你好你可以微信搜索北京健康之家后关注,专门帮你解决困扰你健康的问题 查看详情
使用 Caffe 训练数据集时多次加载 HDF5 文件
】使用Caffe训练数据集时多次加载HDF5文件【英文标题】：HDF5fileisloadedmultipletimeswhentrainingdatasetusingCaffe【发布时间】：2018-02-0803:12:46【问题描述】：我正在使用hdf5文件训练数据集，日志显示hdf5文件已加载3次。我想知道这是为什... 查看详情
是否可以在没有任何训练的情况下使用 Caffe Only 进行分类？
】是否可以在没有任何训练的情况下使用CaffeOnly进行分类？【英文标题】：IsitpossibletouseCaffeOnlyforclassificationwithoutanytraining?【发布时间】：2016-07-2612:57:45【问题描述】：有些用户可能会将此视为基于意见的问题，但如果您仔细观... 查看详情
caffec++中使用训练好的caffe模型，classification工程生成动态链接库——caffe学习六(代码片段)
除了在opencvdnn中使用训练好的model，还可以直接通过classification.exe去查看单张图的训练结果。但是我在使用opencvdnn的时候，发现里面输出的结果和classification.exe并不一样，一时找不到原因，于是还是考虑将classificat... 查看详情
使用caffe训练自己的cnn
现在有这样的一个场景：给你一张行人的矩形图片，要你识别出该行人的性别特侦。 分析：（1），行人的姿态各异，变化多端。很难提取图像的特定特征（2），正常人判别行人的根据是身材比例。（如果是冬天的情况... 查看详情
window10下caffe（gpu版）安装问题记录
...够顺利的安装，推荐使用visualstudio2013+cuda8.0+cudnn5.1。另外windows下pycaffe只能够通过python2来调用，使用anaconda3的话需要新建一个python2的虚拟环境来安装caffe问题1：顺利复制完caffe路径到自身py2环境的site-package文件夹之后，在importcaf... 查看详情