前言：
前面介绍了在win10系统下搭建caffe的环境，其中也讲述了包括caffe对 python的接口支持，环境搭建成功后会在..\caffe-master\Build\x64\Release\下生成如下文件
并且在pycaffe目录下有caffe文件，caffe文件里面是如下文件，那么caffe对python的接口就成功了。
上面caffe对python的接口，我会在后面的一个测试样例中用到。下面先介绍三个样例关于对生成的caffe工具的检测。
一、mnist手写数据集的测试
MNIST数据库介绍：MNIST是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集。它是NIST数据库的一个子集。
首先要先下载该手写数据图片，..\..\caffe-master\data\mnist\目录下有个get_mnist.sh脚本，直接运行脚本即可在该目录下下载4个压缩包文件，解压后发现是二进制文件。脚本和文件如下所示：
因为数据分为训练数据和测试数据，并且caffe需要的数据是lmdb格式的，因此还需要讲二进制文件转变成lmdb格式的caffe可以使用的格式。在上图已经看到creat_mnist.bat脚本，里面使用了convert_mnist_data.exe(这个工具在编译caffe源码成功后就会生成，..\caffe-master\Build\x64\Release\目录下)工具。
在此脚本中，可以看到分别生成了mnist_train_lmdb和mnist_test_lmdb文件，这里面存放的就是caffe可以识别的数据格式。生成的目录放在example\mnist下面。因为mnist没有必要再求均值，因此下面就可以配置solver.prototxt和train_test.prototxt文件了，第一个而是参数配置文件，里面包含基础学习率、迭代次数等重要信息，第二个是网络配置文件，里面包含网络的层数以及每层的参数，不同的架构的网络配置文件是不同的。
数据和网络的配置文件都有了，接下来就是开始训练生成caffemodel了
最后双击运行，查看准确率。
可以看到跌倒了10000次，准确率0.991，生成的镜像保存在特定的目录下。
二、用图片训练自己的caffemodel
上面的mnist测试最终迭代10000次生成了caffemodel，我们直接利用的是二进制文件生成的lmdb格式的数据，下面这个样例就是通过将图片转换成leveldb格式进而生成caffemodel。
1、准备图片，可以在该地址下载http://pan.baidu.com/s/1nuqlTnN
2、下面需要为下载的图片生成一个列表，方便在生成lmdb的时候导入。
上面是对训练图片、测试图片生成了对应的列表文件，有了列表文件和实际的图片就可以将图片生成leveldb格式的数据。
..\..\Build\x64\Release\convert_imageset.exe --backend=leveldb --resize_width=256 --resize_height=256 E:\DeepLearn\example\caffe-master\data\re\ E:\DeepLearn\example\caffe-master\examples\myfile\train.txt E:\DeepLearn\example\caffe-master\examples\myfile\img_train_ldb
echo.
..\..\Build\x64\Release\convert_imageset.exe --backend=leveldb --resize_width=256 --resize_height=256 E:\DeepLearn\example\caffe-master\data\re\ E:\DeepLearn\example\caffe-master\examples\myfile\test.txt E:\DeepLearn\example\caffe-master\examples\myfile\img_test_ldb
pause
这两行代码分别是将训练数据和测试数据生产leveldb格式，用到的工具是convert_imageset.exe，数据格式是leveldb（leveldb和lmdb两种格式，leveldb更好点），图片的分辨率是256*256的，后面的三个参数分别是存放图片的路径以及图片对应的列表文件，最后一个是生成leveldb数据的存放路径。这个脚本如果运行报错，请检测脚本中是否有多余的空格。
现在生成了leveldb格式的数据，下面为了提高图片的鉴别准确率，还需要求出图片的均值文件。
..\..\Build\x64\Release\compute_image_mean.exe --backend=leveldb E:\DeepLearn\example\caffe-master\examples\myfile\img_train_ldb E:\DeepLearn\example\caffe-master\examples\myfile\train_mean.binaryproto
echo.
..\..\Build\x64\Release\compute_image_mean.exe --backend=leveldb E:\DeepLearn\example\caffe-master\examples\myfile\img_test_ldb E:\DeepLearn\example\caffe-master\examples\myfile\test_mean.binaryproto
pause
这两行代码分别是求出训练图片和测试图片的均值文件，生成的文件是二进制的格式，用到的工具是compute_image_mean.exe，数据的格式是leveldb格式的，后面两个参数一个是存放leveldb格式数据的路径另外一个是生成对应的二进制均值文件。这个均值文件是用在网络配置文件train_test.prototxt中的。
接下来的过程应该就熟悉了，配置文件和网络配置文件上面的例子中都提到过了，可以自己找想对应的网络框架生成对应的model，网络框架以及配置文件和网络配置文件可以参考..\..\caffe-master\models\下的几种框架，有alexnet、googlenet、caffenet等
最后就是选择上面的框架来配置自己的文件，最后写个bat脚本运行，代码为.\Build\x64\Release\caffe.exe train --solver=.\examples\myfile\solver.prototxt。
三、利用生成的model对图片进行分类
首先要先整理下对图片分类需要什么：
在该.py代码中需要的，上面或者上文都提到过。如何搭建pycaffe上篇文章已经提到过。
1、测试的网络配置文件 你在选择网络框架的时候里面会有deploy.prototxt文件
2、生成的caffemodel就是上个样例中你生成的model
3、图片的均值文件
4、npy文件 代码中用到的是npy文件，因此需要将图片的均值文件转换成npy文件
5、测试图片
6、标签文件 上面在生成训练和测试的时候生成的flag.txt就是标签文件
好了，到此也就结束了 python xx.py文件 就能在最后看到对你测试的图片的分类了
上面显示了5中可能行最大的种类，是按照可能性最大的往下排列的，也就是第一种的可能性最大。前面的数字表示的是标签文件的行号，nxxxx表示的是类别的号（自定义的） 最后的名字表示对自定义的类别号的解释。
好了，祝好运。