# 在Cifar-10上训练CNN 卷积神经网络（CNN）是一种被广泛用于图像和视频分类的前馈人造神经网络。在此例子中，我们将在Cifar-10数据集上训练三个深度CNN模型来进行图像分类， 1. [AlexNet](https://code.google.com/p/cuda-convnet/source/browse/trunk/example-layers/layers-18pct.cfg)，我们在验证集上能达到的最高准确度（不做数据增强）在82%左右。 2. [VGGNet](http://torch.ch/blog/2015/07/30/cifar.html)，我们在验证集上能达到的最高准确度（不做数据增强）在89%左右。 3. [ResNet](https://github.com/facebook/fb.resnet.torch)，我们在验证集上能达到的最高准确度（不做数据增强）在83%左右。 4. [来自Caffe的AlexNet](https://github.com/BVLC/caffe/tree/master/examples/cifar10)，SINGA能够无缝转换Caffe模型。 ## 操作说明 ### SINGA安装 用户可以从源码编译和安装C++或者Python版本的SINGA。代码可以在CPU和GPU上执行。对于GPU上做训练，CUDA和CUDNN（V4或V5）是需要的。请参考安装界面以获得详细指示。 ### 数据准备 Cifar-10的二进制数据集文件可以由如下指令下载 python download_data.py bin Python版本可以由如下指令下载 python download_data.py py ### 训练 这里有4个训练程序 1.train.py。下面的指令将会用'cifar-10-batches-py'底下的python版本的Cifar-10数据集训练VGG模型。 python train.py vgg cifar-10-batches-py 要训练其他模型，请用'alexnet'，'resnet'或'caffe'替换'vgg'。其中，'caffe'指由caffe的AlexNet转换的模型。默认情况下，模型将在CudaGPU设备上训练；若想要在CppCPU上运行，需添加额外的参数 python train.py vgg cifar-10-batches-py --use_cpu 2.alexnet.cc。它通过调用CPP API在CudaGPU上训练AlexNet模型。 ./run.sh 3.alexnet-parallel.cc。它通过调用CPP API在两个CudaGPU上训练AlexNet模型。两个设备上同时运行并计算模型参数的梯度，然后它们会在CPU设备上取平均并用于更新参数。 ./run-parallel.sh 4.vgg-parallel.cc。它调用CPP API在两个CudaGPU设备上训练VGG模型，同alexnet-parallel.cc类似。 ### 预测 predict.py包含预测函数 def predict(net, images, dev, topk=5) net通过加载先前训练好的模型来被创建；images包含图像的numpy数组（每张图像一行）；dev是训练时的设备，例如，一个CudaGPU设备或者CppCPU设备；它将返回每个实例的topk标签。 Predict.py文件主函数提供了用预训练的模型为新图片做预测的例子。'mode.bin'文件由训练程序生成，需要被放置在cifar目录下执行 python predict.py