1图片数据库准备
2
数据量较少的可以手动标签，数据量较大的话，可以写批处理命令，比较方便。
一定要注意，train列表中的图片带相对路径名bird/*.jpg dog/*.jpg。标签1代表bird，标签2代表dog。
生成列表后，编译convert_imageset.cpp.
在bin文件夹中将刚刚生成的MainCaller.exe重命名为convert_imageset.exe。做一个批处理命令将图片数据转换成leveldb格式。
在caffe-windows文件夹下新建convertimage2ldb.bat。
双击运行，在mine文件夹下就会出现mtrainldb文件夹。
同理可得到mvalldb。这两个就是caffe需要的数据。
注意，我的mine文件夹是放在data文件夹下的，在写convertimage2ldb.bat时注意你自己路径。
3 计算mean
这个比较简单，上篇文章也说了。编译comput_image_mean.cpp
在bin文件夹中将刚刚生成的MainCaller.exe重命名为comput_image_mean.exe。做一个computeMean.bat方便以后使用。
双击运行之后在mine里面出现mimg_mean.binaryproto，这就是caffe需要的图片均值文件。
4 训练自己的网络
数据集和均值文件都生成之后，训练和前面两篇文章类似。这次我直接使用的是imagenet的网络结构，几乎没怎么修改，，所以我将imagenet里面的imagenet_train.prototxt、imagenet_val.prototxt、imagenet_solver.prototxt直接拷过来修改一下。
imagenet_val.prototxt、imagenet_train.prototxt里面的
source: "mtrainldb"
mean_file:"mimg_mean.binaryproto"
batch_size: 10
还有最后一层的output改为2，因为我只有两类。
imagenet_solver.prototxt里面的网络参数修改：
注意最后加上solver_mode:GPU。
开始训练：
5 实验结果
由于数据量较小，训练比较快。正确率最高能达到0.87。但是最后并不收敛，4500次迭代正确率时高时低。本文只是介绍方法，还有很多参数值得推敲。
原文地址：
谁也不跟谁一辈子，有些事情没必要记在心上。
