1. 准备自己的图片数据
选用部分的Caltech数据库作为训练和测试样本。Caltech是加州理工学院的图像数据库，包含Caltech101和Caltech256两个数据集。该数据集是由Fei-FeiLi, Marco Andreetto, Marc 'Aurelio Ranzato在2003年9月收集而成的。Caltech101包含101种类别的物体，每种类别大约40到800个图像，大部分的类别有大约50个图像。Caltech256包含256种类别的物体，大约30607张图像。图像如下图所示，下载链接为：http://www.vision.caltech.edu/Image_Datasets/Caltech101/
Caltech其中的airplanes、Faces、Motorbikes、watch 4个类别分别包含800、435、798、239张图片，选用这4种图片训练和测试数据。
airplanes：
Faces：
Motorbikes：
watch：
2. 图片重命名
为了清楚的分类，收集的图片按照各自的分类重命名一下（该过程也可以省略），airplanes、Faces、Motorbikes和watch类别中的图片分别以0、1、2、和3作为名称的第一个字母（如上图所示，已经做好了重命名），代表自己的分类。python实现的文件批量重命名：
1. import os
2.
3. def renameImage(pathFile,label):
4. 0
5. for files in os.listdir(pathFile):
6. oldDir=os.path.join(pathFile,files)
7. if os.path.isdir(oldDir):
8. continue
9. 0]
10. 1]
11. '_'+str(startNum)+filetype)
12. os.rename(oldDir,newDir)
13. 1
14. print(oldDir+' 重命名为： '+newDir)
15. renameImage('D:\\0704\\Motorbikes',2)
renameImage函数第一个参数是需要重命名的文件所在文件夹路径，第二个参数是图片分类。
3. 灰度图转换&&图片大小统一
Caltech中的图片是三通道彩色图片，大小不统一，需要修改成单通道灰度图片，统一修改成64*64大小：
1. import cv2
2. import os
3. import numpy
4.
5. def Resize(pathFile,reSizeFile):
6. for files in os.listdir(pathFile):
7. imagePathFile=os.path.join(pathFile,files)
8. 0)
9. 64,64),interpolation=cv2.INTER_CUBIC)
10. reSizeDir=os.path.join(reSizeFile,files)
11. cv2.imwrite(reSizeDir,imgResize)
12. print(imagePathFile+' 调整大小成功，存放路径在： '+reSizeFile)
13. Resize('D:\\0704\\Motorbikes','D:\\0704\\RMotorbikes')
第一个参数是的图片文件
所在路径，第二个参数是保存路径。
4. 生成Label文件
图片准备好之后开始制作label标签文件，格式是 “xx.jpg 0”，python实现：
1. import os
2. def maketxtList(imageFile,pathFile,label):
3. 'a')
4. for files in os.listdir(imageFile):
5. '\n'+files+' '+str(label))
6. print(files+' '+str(label)+' 写入成功！')
7. fobj.close()
8. maketxtList('D:\\0704\\Testwatch','D:\\0704\\testLabel.txt',3)
第一个参数是在第3步处理好的图片路径，第二个参数是生成的标签文件，第三个参数是标签，生成的标签如下：
测试数据集分别取airplanes、Faces、Motorbikes、watch各200、200、200、100张图片共700张，按同样的方法生成测试标签。
5. 转化成lmdb数据库文件
新建一个MakeLmdb.bat的脚本文件，使用caffe中的convert_imageset.exe工具转化图片数据为lmdb数据文件：
1. D:\Software\Caffe\caffe-master\Build\x64\Release\convert_imageset.exe
2. D:\0704\testImage\ D:\0704\testLabel.txt D:\0704\test_lmdb
3. pause
执行结果：
分别生成train_lmdb和 test_lmdb文件：
6. 计算均值文件mean.binaryproto
计算均值文件备用：
1. D:\Software\Caffe\caffe-master\Build\x64\Release\compute_image_mean.exe
2. D:\0704\test_lmdb D:\0704\mean_test.binaryproto
3. pause
7. 建立CNN网络和训练参数
CNN网络和训练参数文件使用caffe中mnist例子中的 “lenet_train_test.prototxt” 和 “lenet_solver.prototxt”两个文件，做一些参数修改：
lenet_solve.prototxt文件参数修改：
测试数据量比较少，这里的test_iter参数修改为20，另一个就是基础学习率设置为0.0001，这个参数比较重要，需要根据实际情况调整，如果按照之前学习率设置为0.01的话，会出现训练过程中loss一直保持87.3365（其实已经溢出了）这个值不变的情况。
lenet_train_test.prototxt文件参数修改：
1. 修改训练和测试lmdb数据路径和训练数据每组包含数据（batch_size），这里的batch_size不宜设置过小，建议最少为20：
2. 修改输出层 ip2中的输出由10改为4，这里的4代表训练分为4种分类：
8. 执行训练
1. D:\Software\Caffe\caffe-master\Build\x64\Release\caffe.exe
2. train --solver=D:\0704\lenet_solver.prototxt
3. pause
训练结果，accuracy为0.9928：
