前期准备：
文件夹train：此文件夹中按类别分好子文件夹，各子文件夹里存放相应图片
文件夹test：同train，有多少类就有多少个子文件夹
trainlabels.txt ： 存的是训练集的标签
testlables.txt： 存的是测试集的标签
(特别注意：文件的路径以及文件名要对应)
第一步
生成train文件夹和test文件夹以及标签文件。本文用的是matlab对数据集进行读取，然后输出图片到相应文件夹中，并且生成标签文件。此处给出matlab的代码，请自行分析。
%% 实现图片的输出，将图片输出到train和test两个文件夹下，并且对图片进行重命名
% 同时给所有图片打标签，存于test_labels.txt trainlabels.txt
%
% clear
rand('seed',1);
datadir = ('D:\matconvnet-beta23\data\chars74K\Fnt'); % 原数据集所在路径
catedir=dir(datadir); % 获取数据集下信息
trainratio = 0.8; % 百分之八十训练
train_labels= fopen('train_labels.txt','wt'); % 创建标签文件
test_labels = fopen('test_labels.txt','wt');
class_num = 0 ; % 记录类别
for i =3:length(catedir)
sampdir=dir(fullfile(datadir,catedir(i).name,'\*.png')); % 获取类文件夹下 png图片，
disp(['category ', num2str(i-2) , ' have ', num2str(length(sampdir)),'instance.']); new_folder_train = ['./train/',catedir(i).name]; % 创建各类文件夹，按第i类创建
new_folder_test = ['./test/',catedir(i).name];
mkdir(new_folder_train);
mkdir(new_folder_test);
class_num =class_num + 1;
for j = 1:length(sampdir)
if j==1
krand = randperm(length(sampdir)); % 随机选取图片，防止过拟合
end
kk = krand(j);
img = imread(fullfile(datadir,catedir(i).name,sampdir(j).name)); % 读取
name = [catedir(i).name,'\',sampdir(kk).name]; % 输出每张图片的名称 if j < length(sampdir) *trainratio % j是读取的第j个样本（子类中）,j小于**时，设置为1，1是表示训练
imwrite(img,[new_folder_train,'/',sampdir(kk).name]); % 注 ：‘.png’
fprintf(train_labels,'%s %s\n',name,num2str(class_num-1)); % 从0开始编号，写label的txt文件
else
imwrite(img,[new_folder_test,'/',sampdir(kk).name]);
fprintf(test_labels,'%s %s\n',name,num2str(class_num-1)); % 从0开始编号
end
disp(['category ', num2str(i-2) , ' have ', num2str(length(sampdir)-2),' sample. ' ...
'sample ', ' ------ ', num2str(j) ]);
end
end
fclose(train_labels);
fclose(test_labels);
来看看生成的文件，此处将数据存于caffe-master\data\Chars74k下，因此train和test文件夹是在caffe-master\data\Chars74k下。 
如图所示，train文件夹里有62个子文件夹，分别代表62个类别，每个子文件夹里就是图片。Test文件夹同理。
如图所示，这训练集的标签文件，分两个部分。第一部分是路径，此处要注意， “Sample001\img001-00051.png ” 要与train文件夹里的图片的文件名一一对应，否则在用convert_imageset.exe进行转换格式时候会出现 找不到文件的提示。
（PS：我直接就是在matlab中输出图片时，多加了’.png’，导致图片的文件名是 Sample001\img001-00051.png.png 最终导致找不到文件）
第二部分就是标签了，这里的标签是从0开始表示第一个类别。特别注意，txt文件中，文件路径和标签中有一个空格。
- 第二步
有了train和test以及对应标签文件，就可以利用 convert_imageset.exe将图片转换成LMDB或者LEVELDB的格式，这里采用批处理的方式。首先在caffe-master\data\Chars74k 文件夹下创建txt文件重命名为：convert_chars74k_LMDB.bat
一定要把后缀改成 .bat ，然后将以下代码复制到文本中，保存。
D:\caffe-master\Build\x64\Release\convert_imageset.exe --resize_width= --resize_height= ./train/ train_labels.txt train_lmdb -backend=lmdb
D:\caffe-master\Build\x64\Release\convert_imageset.exe --resize_width= --resize_height= ./test/ test_labels.txt test_lmdb -backend=lmdb
Pause
这里的每行包含七个部分，第一个部分：D:\caffe-master\Build\x64\Release\convert_imageset.exe 表示 convert_imageset.exe所在路径（PS，若是用Debug生成的，则在将Release改成Debug即可）
第二、三部分，是对原始图片进行了resize，第四部分：
./train/ 是训练图片文件所在路径，此处用了相对路径的形式（不了解相对路径的同学，请度娘 ./ ../的作用） 第五部分，train_labels.txt是训练集的标签
第六部分：train_lmdb 是生成LMDB格式文件的文件名
第七部分：-backend=lmdb 是所要转成的格式（要转成 leveldb的则改成 -backend=leveldb）
然后双击运行convert_chars74k_LMDB.bat
运行正常的话，在文件夹caffe-master\data\Chars74k下会出现
test_lmdb 和train_lmdb 两个文件夹。至此，已经将自己的数据集转换成为LMDB格式的数据了，即caffe可读的数据格式。
- 第三步
训练
此处和训练Mnist和Cifar-10一样可参考（http://blog.csdn.net/u011995719/article/details/53998331）
训练需要写两个prototxt文件，一个是描述网络结构的，一个是超参数的设定。 
如图所示，一个是网络模型描述，一个是超参数设置，特别注意路径。
写好这两个文件之后，就可以利用caffe.exe进行训练啦。
在文件夹caffe-master\data\Chars74k下，创建txt文件，重命名为caffe_train_Chars74k.bat（注意改后缀），然后复制以下代码：
..\..\Build\x64\Release\caffe.exe train --solver=./Chars74k_solver.prototxt
Pause
同样的，注意路径就好。保存之后，双击运行即可。