Ⅰ Caffe訓練自己的imagenet，ubuntu提示killed
1、准備數據。
假設已經下載好數據集和驗證集，存儲路徑為：
/path/to/imagenet/train/n01440764/n01440764_10026.JPEG
/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG
首選需要創建一個txt文件，列舉出所有圖像以及對應的lable，caffe包「python/caffe/imagenet/ilsvrc_2012_train.txt」和「ilsvrc_2012_val.txt」兩個文件分別是標好的訓練集和驗證集的文件，共分為1000類。
還需要注意的是，所有的圖像都需要歸一到同樣的尺寸。
2、轉化生成訓練集。
運行下面的命令：
GLOG_logtostderr=1 examples/convert_imageset.bin /path/to/imagenet/train/ python/caffe/imagenet/ilsvrc_2012_train.txt /path/to/imagenet-train-leveldb
生成文件存儲在「/path/to/imagenet-train_leveldb」路徑下。
3、計算圖像均值。
執行命令：
examples/demo_compute_image_mean.bin /path/to/imagenet-train-leveldb /path/to/mean.binaryproto
第一個參數是執行腳本代碼，第二個參數是上一步生成的數據集，第三個參數是存儲圖像均值的目錄路徑。
4、定義網路。
ImageNet的網路定義在「examples/imagenet.prototxt」文件中，使用時需要修改裡面source和meanfile變數的值，指向自己文件的路徑。
仔細觀察imagenet.prototxt和imagenet_val.prototxt文件可以發現，訓練和驗證的參數大部分都相同，不同之處在於初始層和最後一層。訓練時，使用softmax_loss層來計算損失函數和初始化後向傳播，驗證時，使用accuracy層來預測精確度。
在文件「examples/imagenet_solver.prototxt」中定義solver協議，同樣需要修改train_net和test_net的路徑。
5、訓練網路。
執行命令：
GLOG_logtostderr=1 examples/train_net.bin examples/imagenet_solver.prototxt
6、在python中使用已經訓練好的模型。
Caffe只提供封裝好的imagenet模型，給定一副圖像，直接計算出圖像的特徵和進行預測。首先需要下載模型文件。
Python代碼如下：
[python] view plain print?
from caffe import imagenet
from matplotlib import pyplot
# Set the right path to your model file, pretrained model
# and the image you would like to classify.
MODEL_FILE = 'examples/imagenet_deploy.prototxt'
PRETRAINED = '/home/jiayq/Downloads/caffe_reference_imagenet_model』
IMAGE_FILE = '/home/jiayq/lena.png'
net = imagenet.ImageNetClassifier(MODEL_FILE, PRETRAINED)
#預測
prediction = net.predict(IMAGE_FILE）
#繪制預測圖像
print 'prediction shape:', prediction.shape
pyplot.plot(prediction)
prediction shape: (1000,)
[<matplotlib.lines.Line2D at 0x8faf4d0>] #結果如圖所示
圖上的橫軸表示的label，縱軸表示在該類別上的概率，有圖我們看到，lena.jpg被分到了」sombrero」這組，結果還算準確。