Caffe-windows入门学习，编译、训练、测试详细教程

我就是我 2023-06-24 06:28 18阅读 0赞

\#\#\#\#目录结构

一. 准备工作  
二. 编译  
2.1、开启相关caffe版本的编译开关配置内容  
2.2、手动更改或者指定版本对应编译器目录  
2.3、下载依赖文件dependencies文件到指定目录  
2.4、编译  
三. MNIST手写体字符识别（C++）  
3.1、MNIST数据集下载  
3.2、转换数据格式  
3.3、训练和测试数据集  
3.4、测试单张图片  
四. Matlab Demo  
4.1、编译Caffe的Matlab接口  
4.2、模型文件下载  
4.3、测试  
五. 附录  
5.1、生成网络结构图  
5.2、相关文件说明  
5.3、debug调试模式  
5.4、配置中关于include phase TRAIN/TEST的相关说明  
原创文章，转载请注明出处 http://blog.csdn.net/wanggao\_1990/article/details/76721294。

一、 准备工作  
1.1、下载BVLC/Caffe-windows源码，点击跳转下载。  
1.2、使用GPU版本，提前安装CUDA 7.5（VS2015使用8.0）、cuDnn v5，Python 2.7或Python3.5 x64  
1.3、若要生成Matlab接口，还需要安装Matlab  
1.4、搭建环境本次是搭建caffe GPU版本，已经安装VS2015， Python3.5.3 x64， Matlab 2013b， CUDA 8.0，cuDnn v5.1，并生成Matlab接口。  
二、 编译  
目录.\\caffe-windows\\scripts\\下的build\_win.cmd，双击就能在此目录下创建build文件夹并生成VS的.sln解决方案，并编译生成各种版本库和可执行文件。下图是双击.bat后会出现的内容，也会看到相应的一些配置情况。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70][]  
通常需要改动build\_win.cmd文件和相关.cmake文件的部分内容，以修改一些目录和下载内容的配置。目录结构如下。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 1][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 2][]  
2.1、开启相关caffe版本的编译开关配置内容如下

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 3][]

默认VS2015编译，自动检测CUDA，编译GPU版本，生成release等…  
例如，表示需要编译Matlab版本接口。若不在这里指定，需要编译Matlab版本接口则需要在cmd中给.bat传入参数，如.\\build\_win.cmd -DBUILD\_matlab=ON。

2.2、手动更改或者指定版本对应编译器目录（VS、Python、Matlab等）  
（1）Python 版本是3.5，指定Python对应目录。

![20191017133638314.png][]

另外，还需要在caffe-windows目录下修改CMakeList.txt中的python版本号set(python\_version "3" CACHE STRING "Specify which Python version to use")（python2为默认）。

（2）是否编译GPU版本，debug模式下的配置等….  
\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JTiNdKS0-1571282551891)(https://github.com/wanggao1990/MarkdownPhotos/blob/master/ImageGithubToMarkdown/windows\_caffe-img/2-2-2.png?raw=true)\]

（3）指定编译器，VS2015（或其他VS版本，Ninja）

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 4][]  
2.3、提前下载依赖文件dependencies文件到指定目录  
在运行build\_win.cmd后，会自动执行位于.\\caffe-windows\\cmake\\目录下的WindowsDownloadPrebuiltDependencies.cmake文件（可在文件中找到相关的下载网站），建议手动下载libraries\_v140\_x64\_py35\_1.1.0.tar.bz2并解压到到用户目录C:\\Users\\Administrator\\.caffe\\dependencies下。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 5][]

从https://github.com/willyd/caffe-builder/releases下载对应版本的依赖文件并解压到指定位置。

若已经手动下载了，需修改WindowsDownloadPrebuiltDependencies.cmake文件使其不再重复下载，找到如下部分并注释。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 6][]

![20191017133747784.png][]

2.4、编译  
运行build\_win.cmd文件，没其他配置问题，等待一段时间就能生成sln和各种文件了。编译生成的caffe.sln解决方案。编译生成的解决方案，生成Matlab、C++、Python不同版本的caffe接口库和samples的数据转换可执行文件。

三、 MNIST手写体字符识别（C++）  
利用编译好的C++版本Caffe对MNIST手写字符进行训练和识别。

3.1、MNIST数据集下载  
从http://yann.lecun.com/exdb/mnist/下载MNIST的数据集（如下四个压缩文件），并解压到目录.\\caffe-windows\\data\\mnist\\下。  
\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FcARikAc-1571282551892)(https://github.com/wanggao1990/MarkdownPhotos/blob/master/ImageGithubToMarkdown/windows\_caffe-img/3-1-1.png?raw=true)\]

3.2、转换数据格式  
（1）编译"convert\_mnist\_data"工程，生成convert\_mnist\_data.exe，位置如右下图。

![20191017133805780.png][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 7][]

（2）生成LMBD数据文件  
在.\\caffe-windows\\data\\mnist\\目录下新建convert\_datas.bat批处理文件，内容如下。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 8][]

双击后，分别在当前目录下的mnist\_train\_lmdb和mnist\_test\_lmdb文件夹下生成数据文件，分别用于训练和测试。运行和生成文件如下：

![20191017133911862.png][]

![20191017133926335.png][]  
Tips: 若需要生成levelbd格式，需要在"convert\_mnist\_data"工程中先指定backend为”leveldb”，再编译生成exe，重复执行上述操作即可。

![20191017133952532.png][]

3.3、训练和测试数据集  
（1）准备prototxt文件  
首先从.\\caffe-windows\\examples\\mnist\\目录下拷贝lenet\_solver.prototxt和lenet\_train\_test.prototxt两个文件到.\\caffe-windows\\data\\mnist\\目录下。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 9][]  
修改两个文件的数据源路径和生成模型文件路径，内容如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 10][]

![20191017134057313.png][]  
如果数据格不为LMBD，还需修改data\_param下的backend为对应格式的字符（文件说明见附录）。

（2）训练数据集，生成.caffemodel模型  
在.\\caffe-windows\\data\\mnist\\目录新建snapshot\_lenet文件夹。新建train.bat文件，内容如下。

![20191017134117833.png][]

运行得到如下结果。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 11][]

利用GPU训练迭代10000次，最终的准确率为99.05%。生成的模型文件：

![20191017134201876.png][]  
（3）测试数据集  
在.\\caffe-windows\\data\\mnist\\新建test.bat文件，内容如下。

![20191017134225591.png][]

运行得到结果如下，正确率为98.58%。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 12][]

3.4、测试单张图片  
测试识别单张图片，准备一张28\*28的数字手写体图片文件。另外，还需要数据训练的均值文件、标签文件、deploy.prototxt文件和识别可执行文件。

（1）生成均值文件mean.binaryproto  
编译“compute\_image\_mean”工程，生成对应的exe文件，位置如右下图

![20191017134317405.png][]![20191017134342446.png][]

在.\\caffe-windows\\data\\mnist\\新建compute\_mean.bat文件，内容如下。  
运行后会在当前目录下生成一个mean.binaryproto均值文件。

（2）类别标签文件synset\_words.txt  
在.\\caffe-windows\\data\\mnist\\新建synset\_words.txt文件，内容如下

![20191017134427896.png][]  
（3）生成测试工具可执行文件  
编译“classification”工程，生成对应的exe文件，位置如右下图  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 13][]

（4）deploy.prototxt文件  
该文件由lenet\_train\_test.prototxt修改而来，可从目录.\\caffe-windows\\examples\\mnist\\下直接拷贝文件lenet.prototxt到当前目录，并改名为deploy.prototxt。

（5）测试单张图片  
在.\\caffe-windows\\data\\mnist\\新建mnist\_img\_classification.bat文件，内容如下

![2019101713470349.png][]  
测试图片3.bmp位于当前文件夹下，图片和测试结果如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 14][]

能够正确识别为数字3 （注意，图片背景为黑，前景为白）。

Tips:  
测试当个模型的时候用到了均值文件，建议在训练文件lenet\_train\_test.prototxt和测试文件deploy.prototxt中transform\_param添加处理命令mean\_file: "./mean.binaryproto"。

四、 Matlab Demo  
利用CaffeNet演示图像分类，首先需要编译Caffe的Matlab接口，再下载一个对应的模型文件，最后就可以运行这个demo。

4.1、编译Caffe的Matlab接口  
编译“matlab”工程，生成对应的caffe\_.mexw64文件，位置如右下图

![20191017134818315.png][]![20191017134940306.png][]  
4.2、模型文件下载  
从http://dl.caffe.berkeleyvision.org/bvlc\_reference\_caffenet.caffemodel下载模型文件，并放到\\caffe-windows\\models\\bvlc\_reference\_caffenet\\文件夹下。

![2019101713501638.png][]  
4.3、测试  
打开Matlab，设置当前目录为.\\caffe-windows\\matlab\\demo\\，执行以下代码：

![20191017135035122.png][]

图片和结果如下：  
![20191017135100833.png][] ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 15][]

五、 附录  
5.1、生成网络结构图  
利用.\\caffe-windows\\python目录下的draw\_net.py脚本绘制网络结构图（需要pip安装依赖的包，见requirements.txt）。新建draw\_net.bat批处理文件，内容如下。复制lenet\_train\_test.prototxt到当前目录。

![20191017135143904.png][]

运行后结果如下

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 16][]

对my\_deploy.prototxt生成结构图如下

![20191017135226688.png][]

Tips: 可查看大图。 网络结构是从下向上生长，当前层的前一层为bottom，后一层是top。

5.2、相关文件说明  
（1）lenet\_solver.prototxt

The train/test net protocol buffer definition（制定训练和测试模型）
    net: " lenet_train_test.prototxt"	（网络配置文件位置）
    
    # test_iter specifies how many forward passes the test should carry out.
    # In the case of MNIST, we have test batch size 100 and 100 test iterations,
    # covering the full 10,000 testing images.	（batch size * test_iter = 10000）
    test_iter: 100			（测试batch_size=100, 100次测试能覆盖完整的10000个样本）
    
    # Carry out testing every 500 training iterations.
    test_interval: 500		（每训练500次进行一次测试）
    
    # The base learning rate, momentum and the weight decay of the network.
    base_lr: 0.01			（基础学习率）
    momentum: 0.9		    （动量）
    weight_decay: 0.0005	（权重衰减）
    
    # The learning rate policy	（学习策略）
    lr_policy: "inv"	（inv: return base_lr * (1 + gamma * iter) ^ (- power)）
    gamma: 0.0001
    power: 0.75
    
    # Display every 100 iterations
    display: 100（）		（每迭代100次打印结果）
    
    # The maximum number of iterations
    max_iter: 10000		（最大迭代次数）
    
    # snapshot intermediate results
    snapshot: 5000		（5000次迭代保存一次临时模型，名称为lenet_iter_5000.caffemodel）
    snapshot_prefix: "examples/mnist/lenet"
    
    # solver mode: CPU or GPU
    solver_mode: GPU		（GPU开关）

（2）lenet\_train\_test.prototxt

name: "LeNet"			网络名
    layer {
      name: "mnist"			本层名称
      type: "Data"			层类型
      top: "data"			下一层接口
      top: "label"			下一层接口
      include {
        phase: TRAIN
      }
      transform_param {
        scale: 0.00390625		#1/256，预处理如减均值，尺寸变换，随机剪，镜像等
      }
      data_param {
        source: "mnist_train_lmdb"	训练数据位置
    	batch_size: 64			    一次训练的样本数
    	backend: LMDB			    读入的训练数据格式，默认lmdb
      }
    }
    
    layer {
      name: "mnist"
      type: "Data"
      top: "data"
      top: "label"
      include {
        phase: TEST
      }
      transform_param {
        scale: 0.00390625
      }
      data_param {
        source: "mnist_test_lmdb"
        batch_size: 100		一次测试使用100个数据
        backend: LMDB
      }
    }
    
    layer {
      name: "conv1"
      type: "Convolution"	卷积层
      bottom: "data"		上一层名“data”
      top: "conv1"			下一层接口“conv1”
      param {
        lr_mult: 1			（weights的学习率与全局相同）
      }
      param {
        lr_mult: 2			（biases的学习率是全局的2倍）
      }
      convolution_param {
        num_output: 20		卷积核20个
        kernel_size: 5		卷积核尺寸5×5
        stride: 1			步长1
        weight_filler {
          type: "xavier"	（随机的初始化权重和偏差）
        }
        bias_filler {
          type: "constant"	bias用0初始化
        }
      }
    }
    
    layer {
      name: "pool1"
      type: "Pooling"		池化层
      bottom: "conv1"		上层“conv1”
      top: "pool1"			下层接口“pool1”
      pooling_param {
        pool: MAX			池化函数用MAX
        kernel_size: 2		池化核函数大小2×2
        stride: 2			步长2
      }
    }
    
    layer {
      name: "conv2"
      type: "Convolution"
      bottom: "pool1"
      top: "conv2"
      param {
        lr_mult: 1
      }
      param {
        lr_mult: 2
      }
      convolution_param {
        num_output: 50			卷积核50个
        kernel_size: 5
        stride: 1
        weight_filler {
          type: "xavier"
        }
        bias_filler {
          type: "constant"
        }
      }
    }
    
    layer {
      name: "pool2"
      type: "Pooling"
      bottom: "conv2"
      top: "pool2"
      pooling_param {
        pool: MAX
        kernel_size: 2
        stride: 2
      }
    }
    
    layer {
      name: "ip1"
      type: "InnerProduct"		全连接层
      bottom: "pool2"			上层连接“pool2”
      top: "ip1"				“下层输出接口ip1”
      param {
        lr_mult: 1
      }
      param {
        lr_mult: 2
      }
      inner_product_param {
        num_output: 500			输出数量500
        weight_filler {
          type: "xavier"
        }
        bias_filler {
          type: "constant"
        }
      }
    }
    
    layer {
      name: "relu1"
      type: "ReLU"		激活函数
      bottom: "ip1"
      top: "ip1"	（这个地方还是ip1，底层与顶层相同减少开支，下一层全连接层的输入也还是ip1）
    }
    
    layer {
      name: "ip2"
      type: "InnerProduct"
      bottom: "ip1"
      top: "ip2"
      param {
        lr_mult: 1
      }
      param {
        lr_mult: 2
      }
      inner_product_param {
        num_output: 10			输出结果10个
        weight_filler {
          type: "xavier"
        }
        bias_filler {
          type: "constant"
        }
      }
    }
    
    layer {
      name: "accuracy"
      type: "Accuracy"
      bottom: "ip2"			上层连接ip2全连接层
      bottom: "label"		上层连接label层
      top: "accuracy"		输出接口为accuracy
      include {
        phase: TEST			
      }
    }
    
    layer {
      name: "loss"
      type: "SoftmaxWithLoss"		损失函数
      bottom: "ip2"
      bottom: "label"
      top: "loss"
    }

（3）lenet.prototxt

name: "LeNet"（网络的名字）
    layer {
      name: "data"
      type: "Input"				（层类型，输入）
      top: "data"				（导入数据这一层没有bottom，因为是第一层）
      input_param { 
    	  shape: { dim: 64 dim: 1 dim: 28 dim: 28 } 
    	}	                   （64张图为一批，28*28大小）
    }
    读取这批数据维度：64 1 28 28
    
    layer {
      name: "conv1"
      type: "Convolution"	（卷积类型层）
      bottom: "data"		（上一层名叫做data）
      top: "conv1"			（下一层名叫做conv1）
      param {
        lr_mult: 1			（weights的学习率与全局相同）
      }
      param {
        lr_mult: 2			（biases的学习率是全局的2倍）
      }
      convolution_param	{   （卷积操作参数设置）
        num_output: 20		（卷积输出数量20，由20个特征图Feature Map构成）
        kernel_size: 5		（卷积核的大小是5*5）
        stride: 1			（卷积操作步长）
        weight_filler {
          type: "xavier"	（随机的初始化权重和偏差）
        }
        bias_filler {
          type: "constant"	（bias使用0初始化）
        }
      }				（通过卷积之后，数据变成（28-5+1）*（28-5+1），20个特征）
    }
    卷积之后这批数据维度：64 20 24 24
    
    layer {
      name: "pool1"
      type: "Pooling"			（下采样类型层）
      bottom: "conv1"
      top: "pool1"
      pooling_param {
        pool: MAX			（下采样方式，取最大值）
        kernel_size: 2			（下采样核函数size）
        stride: 2				（步长）
      }
    }
    下采样之后这批数据维度：64 20 12 12
    
    layer {
      name: "conv2"
      type: "Convolution"
      bottom: "pool1"
      top: "conv2"
      param {
        lr_mult: 1
      }
      param {
        lr_mult: 2
      }
      convolution_param {
        num_output: 50			（50个卷积核）
        kernel_size: 5
        stride: 1
        weight_filler {
          type: "xavier"
        }
        bias_filler {
          type: "constant"
        }
      }
    }
    卷积之后这批数据维度：64 50 8 8
    
    layer {
      name: "pool2"
      type: "Pooling"
      bottom: "conv2"
      top: "pool2"
      pooling_param {
        pool: MAX
        kernel_size: 2
        stride: 2
      }
    }
    下采样之后这批数据维度：64 50 4 4
    
    layer {
      name: "ip1"
      type: "InnerProduct"		（全连接类型层）
      bottom: "pool2"
      top: "ip1"
      param {
        lr_mult: 1
      }
      param {
        lr_mult: 2
      }
      inner_product_param {		（全连接层参数设置）
        num_output: 500			（输出为500）
        weight_filler {
          type: "xavier"
        }
        bias_filler {
          type: "constant"
        }
      }				（4*4的数据通过4*4的卷积得到1*1的数据）
    }
    通过全连接层之后这批数据维度：64 500 1 1
    
    layer {
      name: "relu1"
      type: "ReLU"		（激活函数类型层）
      bottom: "ip1"
      top: "ip1"	（这个地方还是ip1，底层与顶层相同减少开支，下一层全连接层的输入也还是ip1）
    }
    通过ReLU层之后这批数据维度：64 500 1 1（不做改变）
    
    layer {
      name: "ip2"
      type: "InnerProduct"
      bottom: "ip1"
      top: "ip2"
      param {
        lr_mult: 1
      }
      param {
        lr_mult: 2
      }
      inner_product_param {
        num_output: 10			（直接输出结果，0-9，十个数字所以维度是10）
        weight_filler {
          type: "xavier"
        }
        bias_filler {
          type: "constant"
        }
      }				            （数据的分类判断在这一层中完成）
    }
    通过全连接层之后这批数据维度：64 10 1 1
    
    
    layer {
      name: "prob"
      type: "Softmax"			（损失函数）
      bottom: "ip2"
      top: "prob"				（一开始数据输入为date的话，这里写label）
    }

5.3 Debug调试模式  
当我们想进入debug模式进行调试代码时，切换方案配置为Debug，点击build时，会提示找不到python\*.lib。正常情况下，debug也是应该找python\*\_d.lib的。问过caffe的作者，回答为：

Usually official python builds do not include the debug library. Python.h inserts a linker directive for the python35\_d.lib in debug and python35.lib in release but boost.python tries to fool python.h so that it links to python35.lib since most people won’t have python35\_d.lib. If you want to use the debug library define BOOST\_DEBUG\_PYTHON see: http://www.boost.org/doc/libs/1\_61\_0/boost/python/detail/wrap\_python.hpp。

另外，wrap\_python.hpp的开头注释中也写到 This file serves as a wrapper around “Python.h" which allows it to be compiled with GCC 2.95.2 under Win32 and which disables the default MSVC behavior so that a program may be compiled in debug mode without requiring a special debugging build of the Python library.

解决办法：  
打开 .caffe\\dependencies\\libraries\_v140\_x64\_py35\_1.1.0\\libraries\\include\\boost-1\_61\\boost\\python\\detail\\下的wrap\_python.hpp文件，添加一句\#define BOOST\_DEBUG\_PYTHON，修改如下。之后便能在debug下编译成功。

#ifdef _DEBUG
    #define BOOST_DEBUG_PYTHON
    # ifndef BOOST_DEBUG_PYTHON
    #  ifdef _MSC_VER

5.4 配置中关于include phase TRAIN/TEST的相关说明  
prototxt文件一般会有2个或3个， 2个时为 train\_val.prototxt 和 deploy.prototxt， 3个时为 train.prototxt，val.prototxt 和 deploy.prototxt 。  
其中deploy.prototxt不用解释，通常会是 train\_val.prototxt ，这个里面就存在以下两种参数：

include {
          phase: TRAIN
    }
    
    include {
          phase: TEST
    }

这两种参数分别配置训练train和验证validation, 多数多出现在 Data 和 Accuracy 层，供模型有区别地选择当前层的配置。

(1) Data层  
例如train\_val.prototxt 中有2个Data层，如下图，在训练时使用目录mnist\_train\_lmdb下的数据集，在测试时使用目录mnist\_test\_lmdb下的数据。  
  
如果训练和测试的样本一样，有两种使用方式：  
第一种，保留两个data层，data\_param中source使用同一个数据；  
第二种，去掉include \{ phase: xxx\}， 使用默认方式，默认的data\_param中source既用在训练train，也用在验证validation中。

注意，指定phase时，必须有2个，若仅保留TRAIN，会报错误 F1017 11:17:45.960036 15712 insert\_splits.cpp:29\] Unknown bottom blob ‘data’ (layer ‘conv1’, bottom index 0), 提示bottom层既data层不存在。

(2) Accuracy层  
当phase为TEST时，仅在指定如

test\_iter: 100 \# 验证样本迭代次数，10000个样本设置batch\_size=100, 需要100次  
test\_interval: 500 \# 进行验证的迭代间隔500, 每训练迭代500，对10000个样本验证一次  
  
时，accuracy仅出现在验证过程中。

layer {
      name: "accuracy"
      type: "Accuracy"
      bottom: "ip2"
      bottom: "label"
      top: "accuracy"
      include {
        phase: TEST
      }

选择第500次迭代，会多出一部分有 Test net ouput \#0 accuracy 和 \#1 loss。其他次迭代仅有一个 Train net outpu \#0的loss。

若去掉 include \{ phase: TEST \} , 则默认为训练和测试都进行验证。训练过程是每个迭代都计算accuracy，测试保持为每500迭代一次。截图分别如下。

原创文章，转载请注明出处 http://blog.csdn.net/wanggao\_1990/article/details/76721294。  
————————————————  
版权声明：本文为CSDN博主「王高」的原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接及本声明。  
原文链接：https://blog.csdn.net/wanggao\_1990/article/details/76721294

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191017133220912.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191017133245403.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191017133340199.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191017133530158.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017133638314.png]: https://img-blog.csdnimg.cn/20191017133638314.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191017133653815.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20191017133713805.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20191017133731954.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017133747784.png]: https://img-blog.csdnimg.cn/20191017133747784.png
[20191017133805780.png]: https://img-blog.csdnimg.cn/20191017133805780.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20191017133820296.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20191017133852488.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017133911862.png]: https://img-blog.csdnimg.cn/20191017133911862.png
[20191017133926335.png]: https://img-blog.csdnimg.cn/20191017133926335.png
[20191017133952532.png]: https://img-blog.csdnimg.cn/20191017133952532.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20191017134016867.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20191017134042115.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017134057313.png]: https://img-blog.csdnimg.cn/20191017134057313.png
[20191017134117833.png]: https://img-blog.csdnimg.cn/20191017134117833.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 11]: https://img-blog.csdnimg.cn/20191017134142948.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017134201876.png]: https://img-blog.csdnimg.cn/20191017134201876.png
[20191017134225591.png]: https://img-blog.csdnimg.cn/20191017134225591.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 12]: https://img-blog.csdnimg.cn/20191017134240576.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017134317405.png]: https://img-blog.csdnimg.cn/20191017134317405.png
[20191017134342446.png]: https://img-blog.csdnimg.cn/20191017134342446.png
[20191017134427896.png]: https://img-blog.csdnimg.cn/20191017134427896.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 13]: https://img-blog.csdnimg.cn/20191017134452420.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[2019101713470349.png]: https://img-blog.csdnimg.cn/2019101713470349.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 14]: https://img-blog.csdnimg.cn/20191017134744222.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017134818315.png]: https://img-blog.csdnimg.cn/20191017134818315.png
[20191017134940306.png]: https://img-blog.csdnimg.cn/20191017134940306.png
[2019101713501638.png]: https://img-blog.csdnimg.cn/2019101713501638.png
[20191017135035122.png]: https://img-blog.csdnimg.cn/20191017135035122.png
[20191017135100833.png]: https://img-blog.csdnimg.cn/20191017135100833.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 15]: https://img-blog.csdnimg.cn/2019101713512388.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017135143904.png]: https://img-blog.csdnimg.cn/20191017135143904.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA_size_16_color_FFFFFF_t_70 16]: https://img-blog.csdnimg.cn/20191017135203114.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dhbmdnYW9fMTk5MA==,size_16,color_FFFFFF,t_70
[20191017135226688.png]: https://img-blog.csdnimg.cn/20191017135226688.png