Prepare Data

step 1

./download_mnist.sh

下载mnist.pkl.gz，然后运行 convert_mnist.py 将pickle格式的数据转换为图片

如果原链接无法下载可以到下面云盘地址下载： http://pan.baidu.com/s/1bHmm7s

step 2

python gen_caffe_imglist.py mnist/train train.txt

python gen_caffe_imglist.py mnist/val val.txt

python gen_caffe_imglist.py mnist/test test.txt

得到图片的列表，然后运行：

/path/to/caffe/built/tools/convert_imageset ./ train.txt train_lmdb --gray --shuffle

/path/to/caffe/built/tools/convert_imageset ./ val.txt val_lmdb --gray --shuffle

/path/to/caffe/built/tools/convert_imageset ./ test.txt test_lmdb --gray --shuffle

产生lmdb

step 3

python gen_mxnet_imglist.py mnist/train train.lst

python gen_mxnet_imglist.py mnist/val val.lst

python gen_mxnet_imglist.py mnist/test test.lst

用于产生图片的列表，然后运行

/path/to/mxnet/bin/im2rec train.lst ./ train.rec color=0

/path/to/mxnet/bin/im2rec val.lst ./ val.rec color=0

/path/to/mxnet/bin/im2rec test.lst ./ test.rec color=0

产生ImageRecordio文件

MXNet

运行 train_lenet5.py 训练模型

运行 score_model.py 在测试集上评估模型

运行 benchmark_model.py 测试模型性能

运行 recognize_digit.py 跟图片路径作为参数用于手写数字图片识别

Caffe

lenet_train_val.prototxt & lenet_train_val_aug.prototxt 分别是用原始数据和增加后数据训练模型的网络结构和数据定义文件

lenet_solver.prototxt & lenet_solver_aug.prototxt 分别是训练原始数据和增加后数据的solver文件

lenet_test.prototxt 是用于在测试数据上测试模型的网络结构和数据源定义文件

lenet.prototxt 是用于部署的网络结构定义文件

运行 recognize_digit.py 接测试文件的列表用来演示手写数字图片识别