Embedded Files
LeNet是一個已經訓練好的NN(神經網路，Neural Network)模型，幾層/幾個節點/struct都已經設定完成，而且是用來識別手寫數字的經典CNN (卷積神經網路，Convolutional Neural Network) 。
LeNet是一個已經訓練好的NN(神經網路，Neural Network)模型，幾層/幾個節點/struct都已經設定完成，而且是用來識別手寫數字的經典CNN (卷積神經網路，Convolutional Neural Network) 。
MNIST 資料集是由 Yann LeCun 等人提供在 THE MNIST DATABASE 上面的手寫數字資料，這些資料包含圖片與標籤兩種形式的內容。其中， 訓練集（共 55000 筆）與 驗證集（共 5000 筆）皆具有圖片及標籤，而 測試集（共 10000 筆）則是只有圖片，而沒有標籤。每一筆資料的照片是由 28 pixels x 28 pixels ，總共 784 個 pixels 所組成，圖片顯示的是 0 到 9 。
MNIST 資料集是由 Yann LeCun 等人提供在 THE MNIST DATABASE 上面的手寫數字資料，這些資料包含圖片與標籤兩種形式的內容。其中， 訓練集（共 55000 筆）與 驗證集（共 5000 筆）皆具有圖片及標籤，而 測試集（共 10000 筆）則是只有圖片，而沒有標籤。每一筆資料的照片是由 28 pixels x 28 pixels ，總共 784 個 pixels 所組成，圖片顯示的是 0 到 9 。
收集數據集
收集數據集
下載MNIST手寫數字數據集，在終端機輸入：
下載MNIST手寫數字數據集，在終端機輸入：
./data/mnist/get_mnist.sh
下載完成，會得到4個文件，並且存放在 "$CAFFE_ROOT/data/mnist/"中。
下載完成，會得到4個文件，並且存放在 "$CAFFE_ROOT/data/mnist/"中。
- t10k-labels.idx1-ubyte [訓練集,圖片]
- train-labels.idx1-ubyte [訓練集,標籤]
- t10k-images.idx3-ubyte [測試集,圖片]
- train-images.idx3-ubyte [測試集,標籤]
數據集轉換
數據集轉換
在終端機輸入：
在終端機輸入：
./examples/mnist/create_mnist.sh 將訓練集和測試集轉換為Caffe支援的lmdb格式，並存放在" $CAFFE_ROOT/examples/mnist/"中。
將訓練集和測試集轉換為Caffe支援的lmdb格式，並存放在" $CAFFE_ROOT/examples/mnist/"中。
訓練模型並測試
訓練模型並測試
在終端機輸入：
在終端機輸入：
vi examples/mnist/lenet_solver.prototxt 開啟文件並修改solver_mode，請依機器環境做調整，可以是CPU，也可以是GPU，其他參數可不调整。
開啟文件並修改solver_mode，請依機器環境做調整，可以是CPU，也可以是GPU，其他參數可不调整。
開始執行訓練腳本，在終端機輸入：
開始執行訓練腳本，在終端機輸入：
./examples/mnist/train_lenet.sh 訓練結束後，訓練的輸出日誌可以看到最终的精度和損失。
訓練結束後，訓練的輸出日誌可以看到最终的精度和損失。
$CAFFE_ROOT/examples/mnist 中可以看到訓練中間狀態的快照(.solverstate文件)和模型(.caffemodel文件 )。
$CAFFE_ROOT/examples/mnist 中可以看到訓練中間狀態的快照(.solverstate文件)和模型(.caffemodel文件 )。
測試已訓練的模型，在終端機輸入：
測試已訓練的模型，在終端機輸入：
./build/tools/caffe test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -iterations 100用Caffe的Python API做圖片分類測試
用Caffe的Python API做圖片分類測試
在終端機輸入：
在終端機輸入：
cd $CAFFE_ROOT/examples/images切換當前目錄至images，用於存放圖片。
切換當前目錄至images，用於存放圖片。
在終端機輸入：
在終端機輸入：
wget https://github.com/andylei77/Learning-caffe/raw/master/Lenet-mnist/test4.bmp 下載數字圖片，做測試用。
下載數字圖片，做測試用。
在終端機輸入：
在終端機輸入：
cd $CAFFE_ROOT/examples切換當前目錄至examples。
切換當前目錄至examples。
在終端機輸入：
在終端機輸入：
python test_mnist.py執行.py文件，即可得到測試圖片的預測結果。
執行.py文件，即可得到測試圖片的預測結果。
部署模型至雲教授
部署模型至雲教授
切換當前目錄至訓練模型的路徑。在終端機輸入：
切換當前目錄至訓練模型的路徑。在終端機輸入：
cd $CAFFE_ROOT/examples/mnist
分別將 "lenet.prototxt" 和 "lenet_iter_10000.caffemodel" 複製至雲教授後，進行AI程式開發。複製方式，如下：
分別將 "lenet.prototxt" 和 "lenet_iter_10000.caffemodel" 複製至雲教授後，進行AI程式開發。複製方式，如下：
1) 透過外接裝置 (本教學使用SD卡)
1) 透過外接裝置 (本教學使用SD卡)
或
或
2) 參考 "1.3.6 Windows遠端連線"
2) 參考 "1.3.6 Windows遠端連線"
Google Sites
Report abuse