win10+only-cpu利用Caffe框架测试mnist数据集
一、下载mnist数据集，正常步骤：在如下网站下载四个zip：http://yann.lecun.com/exdb/mnist/
但是从这里下载的数据集需要进行格式转换（转换方法以后会说到的），所以我现在选择下载现成的数据集如此zip文件
解压后得到这么两个文件夹：
（附：这了两个文件夹中的内容：
）
将这两个文件夹放入D:/caffe-master/examples/mnist中（因为我把caffe-master解压在了D盘根目录下，大家自己寻找自己的caffe-master就可以了），
效果如图
二、修改相关文件
①在D:\caffe-master\examples\mnist中，用VS2013打开lenet_solver..protptxt文件，如图：
，拉到最后一行做如下修改：，该页面包括了最大迭代次数，max_iter，以及输出中间结果snapshot，如图所示：
②在D:\caffe-master\examples\mnist中，用VS2013打开lenet_train_test.prototxt文件，如图：，进行如图所示修改，两个source，定位到数据集文件夹名字。
三、返回caffe-master所在目录中，新建一个txt文件，输入如下代码，效果如图
Build\x64\Debug\caffe.exe train --solver=examples\mnist\lenet_solver.prototxt
Pause
然后将后缀改为bat，效果如图，然后双击此文件，就进入训练了，效果如图
此过程caffe采用的GLOG库内方法打印的信息，这个库主要是起记录日志的功能，方便出现问题时查找根源，具体格式为：
【日期】【时间】【进程号】【文件名】【行号】
四、等待训练结束，如下图：
①
上面显示了训练精确率0.996
损失函数0.0291871
②在训练过程中：
中间有些比较长的部分，可以通过拉动窗口右侧小条找到
下图：
显示当前迭代次数和以及损失值，训练过程中不产生精确率accuracy
③当迭代次数达到lenet_solver.prototxt定义的max_iter时，就可以认为训练结束了，并且在训练结束后，在D:\caffe-master\examples\mnist文件夹中会多出如下四个文件：
这时产生训练出的模型（文件后缀名为caffemodel和solverstate），它们分别是训练至一半（5000次）和训练最终（10000次）完成的模型，接下来就可以用这对模型对mnist的测试集和自己的手写字进行测试，接下来会说明如何测试。
五、测试数据集（摘自网络）
接下来就可以利用模型进行测试了，关于测试的方法按照以上教程还是选择bat文件，当然python、matlab更为方便，比如可以迅速把识别错误的图片显示出来。
①产生均值文件mean.binaryproto
在进行分类之前首先需要产生所有图片平均值图片，真正分类时的每个图片都会先减去这张平均值图片再进行分类。这样的处理方式能够提升分类的准确率。
产生均值文件的方法是利用解决方案中的compute_image_mean.exe，位于目录D:/caffe-master/Build/x64/Debug下。回到caffe-master根目录下创建一个mnist_mean.txt，写入如下内容：
Build\x64\Debug\compute_image_mean.exe examples\mnist\mnist_train_leveldb mean.binaryproto --backend=leveldb
pause
效果如图：
然后把.txt后缀改为.bat，文件如图所示：
然后双击运行（其实写了那么多bat文件也因该有体会了，只要指定的路径正确就行，不一定非要放在caffe-master根目录下）。正确运行的话会在根目录下产生一个mean.binaryproto，也就是我们所需要的均值文件，如右图所示：
接着为了使用均值文件需要稍微修改下层的定义（其实还是添加了如下图两行代码mean file的两行代码），然后用VS2013打开D:\caffe-master\examples\mnist\lenet_train_test.prototxt
并作如下修改，如图所示：
保存退出
至此，均值文件的预处理部分处理完毕，下面就可以进行测试了（至于为什么这样预处理，我也在学习中，知道的朋友还麻烦在下面评论区说一下，谢谢啦）。
②利用mnist数据集进行测试
这部分比较简单，因为之前生成的caffe.exe就可以直接用来进行测试。同样地在caffe-master根目录下新建mnist_test.txt，并写入如下内容（其中间断处都为一个空格）
内容如下：
.\Build\x64\Debug\caffe.exe test --model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_10000.caffemodel
pause
效果如图所示：
注意：这里的测试，指的是把训练出的模型，应用在刚才的训练集上，看一下测试精度。
③这一步往后就比较实用了，先介绍如何制作手写数字的单张测试样本。
必须使用经过二值化后的图片
把转换好的二值图像拷贝到D:\caffe-master\examples\mnist\
在D:\caffe-master\examples\mnist下建立标签文件synset_words.txt，如图所示
里面输入如图所示：
④调用classification.exe去识别某张图片，D:\caffe-master目录新建mnist_class.bat
D:\caffe-master\Build\x64\Debug\classification.exe D:\caffe-master\examples\mnist\lenet.prototxt D:\caffe-master\examples\mnist\lenet_iter_10000.caffemodel D:\caffe-master\mean.binaryproto D:\caffe-master\examples\mnist\synset_words.txt D:\caffe-master\examples\mnist\binarybmp\0.bmp
pause
注意：此处使用的lenet.prototxt是一个deploy文件，这个文件只是高速分类程序（mnist_classification.exe）网络结构是怎么样子的，不需要反向计算，不需要计算误差。
然后得到如图所示结果：
解释一下结果：在最后的分类结果中，一共显示了5行（据说程序中可以控制，但是我并没有找到），表示输入的这张图片与它最像的有这5类，前面的0和1表示得分，这5行前面的得分和应该为1，也就是1+0+0+0+0=1，第一项得分最高，所以识别此图为6.
⑤接下来我打算自己用画图做一个试一下,
这是我用画图做的，如图所示
（这是桌面截图，把下面的89.bmp截图的目的是待会儿给大家看一下怎么修改网络）
怕格式（包括大小以及像素问题）不正确，我用它的图片集修改的，然后输入到网络中，也就是在上一步中建立的mnist_class.bat中用记事本打开，做如图所示修改：
保存退出，双击mnist_class.bat，开始运行，得到如下结果：
“7”得分最高，所以网络识别图片中的数字为7
自己制作数据集成功！