仿照cifar10的模型使用，本文对mnist的训练方式做了部分修改

【注】本文caffe安装路径为E:\CaffeDev-GPU\caffe-master。请自行参考并修改相关路径(debug以及release参考你编译caffe时候采用的模式)

第一步

按照前面的model生成方法的前两步骤制作数据集，得到两个文件夹。并拷贝到E:\CaffeDev-GPU\caffe-master\Build\x64\Release

train：链接：http://pan.baidu.com/s/1cJZNI2 密码：ikz8

test：链接：http://pan.baidu.com/s/1gfuhmvx 密码：7krq

第二步

计算均值文件：在E:\CaffeDev-GPU\caffe-master\Build\x64\Release目录下新建bat文件mnist_mean.bat，内容如下

compute_image_mean.exe mnist_train_leveldb mean.binaryproto pause得到mean.binaryproto

mean.binaryproto：链接：http://pan.baidu.com/s/1dFp19i5 密码：xhux

第三步

将上面两步的train和test数据集以及均值文件拷贝到E:\CaffeDev-GPU\caffe-master\examples\mnist文件夹下，方便后面的路径书写

修改此文件夹下的训练方法lenet_train_test1.prototxt的前两层，就是在原来的基础上把均值文件加进去。同时注意lenet_solver.prototxt中的net是你修改以后的prototxt文件，我是把修改后的prototxt训练文件命名为lenet_train_test1.prototxt了(加了一个1)

name: "LeNet" layer { name: "mnist" type: "Data" top: "data" top: "label" include { phase: TRAIN } transform_param { mean_file: "examples/mnist/mean.binaryproto" scale: 0.00390625 } data_param { source: "examples/mnist/mnist_train_leveldb" batch_size: 64 backend: LEVELDB } } layer { name: "mnist" type: "Data" top: "data" top: "label" include { phase: TEST } transform_param { mean_file: "examples/mnist/mean.binaryproto" scale: 0.00390625 } data_param { source: "examples/mnist/mnist_test_leveldb" batch_size: 100 backend: LEVELDB } }lenet_train_test1.prototxt：链接：http://pan.baidu.com/s/1skBN3Md 密码：ixzt

lenet_solver1.prototxt：链接：http://pan.baidu.com/s/1kVxwQl5 密码：3o5a

第四步

在E:\CaffeDev-GPU\caffe-master目录下新建训练bat文件train_minist.bat，内容如下：

.\Build\x64\Release\caffe.exe train --solver=examples/mnist/lenet_solver1.prototxt pause

此处注意一下CPU与GPU的训练仅仅需要修改lenet_solver1.prototxt的最后一行即可

训练好的lenet_iter_10000.caffemodel共享 : 链接：http://pan.baidu.com/s/1i55hlid 密码：7fxl

第五步

测试一下测试集的分批准确率，同样在E:\CaffeDev-GPU\caffe-master下新建test_mnist.bat，内容如下

.\Build\x64\Release\caffe.exe test --model=examples/mnist/lenet_train_test1.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel -gpu=0 pause运行之，得到如下结果：

第六步

这一步往后就比较实用了，先介绍如何制作手写数字的单张测试样本。两种方法：①按照我前面的博客，从mnist数据集里面摘取里面的某张或者某些图片；②用Windows的画图工具自己手写一张(怎么打开画图工具就不说了吧)

为了方便直接调整写的数字的大小，如果你这里不调整大小，在matlab里面有相关的resize函数，自己查询调用方法，很简单

然后，写几张，本人龙飞凤舞地画了几张：链接：https://pan.baidu.com/s/1mkf3aXi 密码：zo3c

可以发现，这个保存下来的是RGB图像，三通道，然而我们的测试集和训练集mnist都是灰度图像，怎么办，简单，用matlab转

%存储二值图像 image=imread('009.png'); im=255-rgb2gray(image); imshow(im) imwrite(uint8(im),'./binarybmp/9.bmp'); 【注意】这里不要手动去save那个figure哦，不然图像会比28*28大，一定要用imwrite，并且格式为bmp

转换完毕的测试集：链接：http://pan.baidu.com/s/1o7NySMu 密码：bead

第七步

把转换好的二值图像拷贝到E:\CaffeDev-GPU\caffe-master\examples\mnist\

在E:\CaffeDev-GPU\caffe-master\examples\mnist下建立标签文件synset_words.txt：

0 1 2 3 4 5 6 7 8 9

调用classification.exe去识别某张图片，E:\CaffeDev-GPU\caffe-master目录新建mnist_class.bat

E:\CaffeDev-GPU\caffe-master\Build\x64\Release\classification.exe E:\CaffeDev-GPU\caffe-master\examples\mnist\lenet.prototxt E:\CaffeDev-GPU\caffe-master\examples\mnist\lenet_iter_10000.caffemodel E:\CaffeDev-GPU\caffe-master\examples\mnist\mean.binaryproto E:\CaffeDev-GPU\caffe-master\examples\mnist\synset_words.txt E:\CaffeDev-GPU\caffe-master\examples\mnist\binarybmp\0.bmp pause

运行就会得到结果

【已解决】【笔者注】现在正在研究matlab的实现，在预处理部分卡住了，在模型中加入均值计算以及归一化以后，这两个操作有没有先后顺序，在matlab中先进行了减均值计算，发现数据分布有大于0和小于0的，如果直接除以255，肯定不可能归一化到[0,1]，此法测试效果很差，肯定错了。如果采用mapminmax(A,0,1)归一化到[0,1]，结果也是错的。如果有想法的同学请私密我一下，一起探讨一下matlab的实现

参考预处理代码详解：http://blog.csdn.net/langb2014/article/details/51050213

python的实现：http://www.dongcoder.com/detail-57212.html