如何利用Caffe训练ImageNet分类网络
1.下载好来自ImageNet的training和validation数据集合；分别存放在如下的格式：
/path/to/imagenet/train/n01440764/n01440764_10026.JPEG
/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG
2. 进行一些预处理操作：
cd $CAFFE_ROOT/data/ilsvrc12/
./get_ilsvrc_aux.sh
3.训练数据和测试数据分别放在train.txt和val.txt中，里面有他们的文件和相对应的标签；
4. 最后作者把1000类的类名用0--999表示，他们相对应的类别名称则用synset_words.txt 来存储他们之间的映射。
5.作者提到怎么去是否应该先把图像都归一化到256*256中，作者提到用Mapreduce去加快这种过程；
也可以直接这么做：
for name in /path/to/imagenet/val/*.JPEG; do
convert -resize 256x256\! $name $name
Done
6.在 create_imagenet.sh中设置训练的参数，并在里面指定训练和测试的数据库路径，如果图像没有提前归一化到相同的大小，则需要加”RESIZE=true“，设置”GLOG_logtostderr=1 “表示了可以参考更多的信息，
在执行 ./create_imagenet.sh 之后会有新的数据文件生成：
ilsvrc12_train_leveldb 和 ilsvrc12_val_leveldb
7. 因为模型需要我们减去图像的均值，所以我们需要计算图像均值，在工具
tools/compute_image_mean.cpp 实现了这种操作，
或者可以直接用：
./make_imagenet_mean.sh 脚本来进行计算图像均值，并生成：
data/ilsvrc12/imagenet_mean.binaryproto 文件
8.定义网络的结构：imagenet_train_val.prototxt .
里面有两行指定了数据库和图像的路径
source: “ilvsrc12_train_leveldb“
mean_file:“../../data/ilsvrc12/imagenet_mean.binaryproto“
并且指定了 include { phase: TRAIN } or include { phase: TEST } .来区分训练和测试
9.关于输入层的不同：
训练数据中，，data项来自 ilsvrc12_train_leveldb 并且进行了随机镜像操作，测试数据中data项来自于ilsvrc12_val_leveldb 而没有进行随机镜像操作；
10.输出层的不同：
输出层都为 softmax_loss 层，在训练网络当中，用来计算损失函数，并且用来初始化BP过程，测试网络同样有一个第二个输出层，accuracy，它用来报告测试的精度，在训练的过程中，测试网络将实例化并且测试准确率，产成的命令行为：Test score #0: xxx and Test score #1: xxx 等。
11.运行网络，其中设置
每批batch为256个，运行450000次迭代，接近90次epoch；
每1000次迭代，就在用测试集进行测试；
设置初始的学习率为0.01，并且每100000次迭代中进行学习率下降，大概进行20次epoch；
每20次epoch就显示出一些数据信息；
网络训练的动量为0.9，权重衰减因子为0.0005，
每10000次迭代中，就生成当前状态的快照；
这些设置在 examples/imagenet/imagenet_solver.prototxt .中进行设置，并且同样我们需要指定文件的路径：
net: “imagenet_train_val.prototxt“
12.开始训练网络：
./train_imagenet.sh
13. 在K20中，每20个迭代花费36s，所以，一幅图像的一次前馈+反馈（FW+BW）大概需要7ms，前馈花费2.5ms，剩下的是反馈，
可以在 examples/net_speed_benchmark.cpp 中进行时间的查看；
14.因为我们有保存了快照，所以我们可以通过
./resume_training.sh 来进行resume恢复，脚本caffe_imagenet_train_1000.solverstate 保留了要恢复的所有信息，
15.总结，Caffe可以很方便进行通过设置文件的方式来进行设置不同的网络结构。
imagenet 什么意思
ImageNet 是一个计算机视觉系统识别项目， 是目前世界上图像识别最大的数据库。
是美国哈佛的计算机科学家，模拟人类的识别系统建立的。能够从图片识别物体。
祝好运
如何看待Imagenet2016结果
1.首先祝贺国内众多参与者取得好成绩！很多国外重要团队没有参加说是幸运与不幸都可以的。个人也在猜测是不是很多国外团队参加COCO，而没有参加ImageNet了。
2.数年比赛第一名的都是取名叫model ensemble. 包括当年的VGG, GoogleNet, ResNet。证据在
ImageNet Large Scale Visual Recognition Competition 2014 (ILSVRC2014)
ILSVRC2015 Results 所以model ensemble作为方法的描述并不代表方法没有创新，只是所有参赛者用来刷名次的无奈之举。ensemble最好的，单个model的结果通常也是最好的。今年有没有神作不知道，但是佳作应该还是有的。个人还是非常期待在workshop上能向各位参赛者学习到一些新的东西。
3.以往ImageNet备受关注，主要是提供了很好的feature（CNN feature)和训练feature的方法。相信今年在ImageNet上应该会有更work的feature公布出来
-imagenet
