Ⅰ Caffe训练自己的imagenet，ubuntu提示killed
1、准备数据。
假设已经下载好数据集和验证集，存储路径为：
/path/to/imagenet/train/n01440764/n01440764_10026.JPEG
/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG
首选需要创建一个txt文件，列举出所有图像以及对应的lable，caffe包“python/caffe/imagenet/ilsvrc_2012_train.txt”和“ilsvrc_2012_val.txt”两个文件分别是标好的训练集和验证集的文件，共分为1000类。
还需要注意的是，所有的图像都需要归一到同样的尺寸。
2、转化生成训练集。
运行下面的命令：
GLOG_logtostderr=1 examples/convert_imageset.bin /path/to/imagenet/train/ python/caffe/imagenet/ilsvrc_2012_train.txt /path/to/imagenet-train-leveldb
生成文件存储在“/path/to/imagenet-train_leveldb”路径下。
3、计算图像均值。
执行命令：
examples/demo_compute_image_mean.bin /path/to/imagenet-train-leveldb /path/to/mean.binaryproto
第一个参数是执行脚本代码，第二个参数是上一步生成的数据集，第三个参数是存储图像均值的目录路径。
4、定义网络。
ImageNet的网络定义在“examples/imagenet.prototxt”文件中，使用时需要修改里面source和meanfile变量的值，指向自己文件的路径。
仔细观察imagenet.prototxt和imagenet_val.prototxt文件可以发现，训练和验证的参数大部分都相同，不同之处在于初始层和最后一层。训练时，使用softmax_loss层来计算损失函数和初始化后向传播，验证时，使用accuracy层来预测精确度。
在文件“examples/imagenet_solver.prototxt”中定义solver协议，同样需要修改train_net和test_net的路径。
5、训练网络。
执行命令：
GLOG_logtostderr=1 examples/train_net.bin examples/imagenet_solver.prototxt
6、在python中使用已经训练好的模型。
Caffe只提供封装好的imagenet模型，给定一副图像，直接计算出图像的特征和进行预测。首先需要下载模型文件。
Python代码如下：
[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)
#预测
prediction = net.predict(IMAGE_FILE）
#绘制预测图像
print 'prediction shape:', prediction.shape
pyplot.plot(prediction)
prediction shape: (1000,)
[<matplotlib.lines.Line2D at 0x8faf4d0>] #结果如图所示
图上的横轴表示的label，纵轴表示在该类别上的概率，有图我们看到，lena.jpg被分到了”sombrero”这组，结果还算准确。