Caffe-5.2-（GPU完整流程）训练（依据googlenet微调）

上一篇使用caffenet的模型微调。但由于caffenet有220M太大，測试速度太慢。因此换为googlenet.

1. 训练

迭代了2800次时死机，大概20分钟。

使用的是2000次的模型。

2. 測试

2.1 測试批处理
在F:caffe-master170309新建例如以下图文件test-TrafficJamBigData03292057.bat。

.Buildx64Debugcaffe.exe test --model=models/bvlc_googlenet0329_1/train_val.prototxt -weights=models/bvlc_googlenet0329_1/bvlc_googlenet_iter_2000.caffemodel -gpu=0
pause

效果例如以下：

2.2 測试单张图片

以下用训练出的模型，測试单个图片的准确率。

（參考model的使用）
改Debugclassfication.bat例如以下（測试单张图F:caffe-master170309dataTrafficJamBigData03281545 estdu190416357.png）

通过手动执行可知须要3：67秒。故MFC程序的延时可减少为4秒。

这样比caffenet的11秒快得多了。

只是效果不准：10张图（5张堵、5张不堵）所有识别为不堵，效果例如以下：

上述我觉得是训练的模型不好，故又一次训练。

3. 又一次训练  （參考）

以下又一次训练googlenet模型。主要添加迭代次数和batch_size。

3.1 训练数据转lmdb格式和mean文件

因为之前用caffenet时。是以227*227的图片训练的（将crop_size设为227）。用227*227的图片測试的（直接将图由480*480转为了227*227）

此须要用480*480大小的又一次训练。

3.1.1 读取图片的标签，并将图片名+标签写入train_label.txt与test_label.txt里

在F:caffe-master170309dataTrafficJamBigData03301009目录里有2个目录、2个*.m，两个空的txt。

得到标签train_label.txt与test_label.txt

3.1.2 转换为lmdb格式
F:caffe-master170309Buildx64Debug下新建convert-TrafficJamBigData03301009-train.bat，内容例如以下：

F:/caffe-master170309/Build/x64/Debug/convert_imageset.exe --shuffle --resize_width=480 --resize_height=480 F:/caffe-master170309/data/TrafficJamBigData03301009/ F:/caffe-master170309/data/TrafficJamBigData03301009/train_label.txt F:/caffe-master170309/data/TrafficJamBigData03301009/TrafficJamBigData03301009-train_lmdb -backend=lmdb
pause

F:caffe-master170309Buildx64Debug下新建convert-TrafficJamBigData03281545-test.bat，内容例如以下：

F:/caffe-master170309/Build/x64/Debug/convert_imageset.exe --shuffle --resize_width=480 --resize_height=480 F:/caffe-master170309/data/TrafficJamBigData03301009/ F:/caffe-master170309/data/TrafficJamBigData03301009/test_label.txt F:/caffe-master170309/data/TrafficJamBigData03301009/TrafficJamBigData03301009-test_lmdb -backend=lmdb
pause

分别执行，效果例如以下。且在F:caffe-master170309dataTrafficJamBigData03301009 目录内生成了TrafficJamBigData03301009-train_lmdb和TrafficJamBigData03301009-test_lmdb目录：例如以下：（8个文件）

3.1.3 生成均值文件

F:caffe-master170309Buildx64Debug下新建mean-TrafficJamBigData03301009.bat，内容例如以下：

compute_image_mean.exe F:/caffe-master170309/data/TrafficJamBigData03301009/TrafficJamBigData03301009-train_lmdb mean.binaryproto --backend=lmdb
pause 

3.1.4  复制文件
在caffe-master170309/examples下新建TrafficJamBigData03301009目录。
把刚才生成的Debug/mean.binaryproto和F:caffe-master170309dataTrafficJamBigData03301009TrafficJamBigData03301009-train_lmdb和F:caffe-master170309dataTrafficJamBigData03301009TrafficJamBigData03301009-test_lmdb复制到caffe-master170309/examples/TrafficJamBigData03301009里。
改动F:caffe-master170309examplesTrafficJamBigData03301009synset_words.txt为堵与不堵两类（注意budu在第一行，du在第二行，由于要和前面的label.txt相应）

3.1.5 新建文件

在caffe-master170309/examples/TrafficJamBigData03301009里新建

空的RecognizeResultRecordFromCmdTxt.txt 

和 空的AnalysisOfRecognitionfromCmdTxt.txt

和 synset_words.txt（里面第一行是budu。第二行是du）
效果例如以下： 

3.2 改动训练的“參数文件” & “模型结构”

3.2.1 编写训练bat（别急着执行） 參考1，參考2，參考我的微调笔记
在F:caffe-master170309目录下新建一个train-TrafficJamBigData03301009.bat文件。用于训练模型内容例如以下：

.Buildx64Debugcaffe.exe  train --solver=models/bvlc_googlenet0329_1/solver.prototxt --weights=models/bvlc_googlenet0329_1/bvlc_googlenet.caffemodel  --gpu 0
pause

3.2.2 參数文件solver.prototxt  參考我的微调笔记

test_iter: 100								#原来1000。改为100
test_interval: 1000							#test_interval: 4000->1000
test_initialization: false
display: 40
average_loss: 40
base_lr: 0.01								#原来base_lr: 0.01
											#来自quick_solver的是      lr_policy: "poly"   
											#来自quick_solver的是      power: 0.5
lr_policy: "step"
stepsize: 320000
gamma: 0.96
max_iter: 50000								#max_iter: 10000000->10000
momentum: 0.9
weight_decay: 0.0002
snapshot: 1000								#snapshot: 40000->1000
snapshot_prefix: "models/bvlc_googlenet0329_1/bvlc_googlenet"
solver_mode: GPU

3.2.3 网络模型文件train_val.prototxt  參考我的微调笔记
当中finetune出现error=cudaSuccess(2 vs. 0) out of memory？网上意思是：batch_size改小，将batch_size由原来的32改为2，由原来的50改为2.
（整个网络结构有2000行，仅仅改了前面2层和最后1层），改的部分截取例如以下：

前2层是：

name: "GoogleNet"
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true			#原来也是true
    crop_size: 480			#原来是224
    mean_value: 104
    mean_value: 117
    mean_value: 123
  }
  data_param {
    source: "data/TrafficJamBigData03281545/TrafficJamBigData03281545-train_lmdb"
    batch_size: 2			#原来是32
    backend: LMDB
  }
}
layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 480			#原来是224
    mean_value: 104
    mean_value: 117
    mean_value: 123
  }
  data_param {
    source: "data/TrafficJamBigData03281545/TrafficJamBigData03281545-test_lmdb"
    batch_size: 2			#原来是50
    backend: LMDB
  }
}

最后1层是：

layer {
  name: "loss3/top-5"
  type: "Accuracy"
  bottom: "loss3/classifier123"	#原来是（3个）：loss3/classifier  loss2/classifier    loss1/classifier
  bottom: "label"
  top: "loss3/top-5"
  include {
    phase: TEST
  }
  accuracy_param {
    top_k: 2					#原来是5
  }
}

3.2.4 測试模型文件deploy.prototxt參考我的微调笔记
改的第1层和倒数第2层。例如以下：

第1层例如以下：

name: "GoogleNet"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 10 dim: 3 dim: 480 dim: 480 } }		#  input_param { shape: { dim: 10 dim: 3 dim: 224 dim: 224 } }
}

倒数第二层例如以下：

layer {
  name: "loss3/classifier123"
  type: "InnerProduct"
  bottom: "pool5/7x7_s1"
  top: "loss3/classifier123"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  inner_product_param {
    num_output: 2				#原来是1000
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "prob"
  type: "Softmax"
  bottom: "loss3/classifier123"
  top: "prob"
}

3.2.5 执行F:caffe-master170309 rain-TrafficJamBigData03301009.bat文件，開始训练
1200张图（1200张训练+200张測试），迭代50000次，batch_size由“32和50”改为“2和2”

训练记录例如以下：

11:54開始。

iter40次，14秒。

推算的话

iter50000次，5小时。