前天写了一篇caffe的配置方法，阅读访问量一夜之间一千多，让我自己就有点惊讶，deeplearning看来是有点火啊。
在按照上篇的方法：http://blog.csdn.net/lishanlu136/article/details/51474582配置完caffe后，就能跑跑图片了，当然最简单的就是mnist手写数字识别库了，其次就是cifar10库，跑这些示例有助于对caffe跑图片过程的了解。不过现在我介绍的是用自己的图片库来跑。
下面是具体过程：
1、前期准备，当然是自己的图片库，RGB图和灰度图均可，分为两个文件夹，train用于装训练用的图片（包括正样本，负样本），test用于装测试用的图片（包括正负样本），然后在train，test的同级目录下建立label文件，对图片进行标注，如：
别忘了，test文件夹也要做类似的标注，现在跑图片的前期准备算是做完了。
2、利用convert_imageset.exe转换图片格式
因为caffe跑图片需要图片的数据格式为lmb或leveldb格式，所以跑图片之前需要转换，其实也可以直接读图片进行训练，但是这样太慢了，对于数据库较大的，建议还是转吧，记得在上次配置caffe时生成的convert_imageset.exe吗，如果上次配置有勾选编译convert_imageset这个工程，就在caffe.exe同级目录下能找到，如果没找到，再编译一次就是了；我们得写一个.bat文件，怎么写.bat文件？用记事本写，最后把后缀改为.bat就是了，具体写法如下：
这是转train文件夹里面的图片，test文件夹一样得转，我是转成leveldb格式的，因为我的图片是灰度图，所以，我这里设置了gray=true，如果你的是RGB图就不用管它，因为默认为RGB图，shuffle是在转的时候设置的打乱顺序，因为，我的图片正样本在前面，负样本在后面，不打乱的话，对后面的训练很不利。
3、利用compute_image_mean.exe计算图片库的均值
这个.exe可执行文件也能在caffe.exe同级目录下找到，通过调用compute_image_mean.exe计算图片库的均值，具体写法如下：
这里我的compute_image_mean.bat文件和我的train_leveldb文件夹是在同一级，所以，我这里是用的相对路径，运行之后，会在同级目录下生成trainmean.binarypaoto文件，别忘了，test_leveldb也得计算。
4、修改训练网络的配置文件和solver.prototxt文件
到这一步了，主要就是修改里面的路径问题了，主要就是data层的source路径，和 transform_param 里的mean_file路径，最后输出的分类数num_output也得改为符合自己的分类数，最后就是solver.prototxt文件了，它就是调用前面的网络进行训练的的，所以路径一定不用错，不然找不到训练网络，这个solver.prototxt文件是对整个训练过程的宏观设置，可以设置迭代次数，基准学习率，权重衰减等等。（ps：关于路径，我开始用‘\'一直出错，报错原因是找不到文件，后来改为了'/'，才对。）
5、写run.bat文件调用caffe.exe可以开始训练了
好了，训练自己的图片库就这样结束了。