# 在ImageNet上训练AlexNet 卷积神经网络（CNN）是一种广泛用于图像和视频分类的前馈神经网络。 在这个例子中，我们将使用[深度CNN模型](http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks)来对ImageNet数据集进行图像分类。 ## 操作说明 ### 编译SINGA 请用CUDA，CUDNN和OpenCV编译SINGA。 您可以手动打开CMakeLists.txt中的选项或在build /文件夹中运行`ccmake ..`进行配置。 我们已经在CuDNN V4和V5（V5需要Cuda7.5）上进行了测试。 ### 数据下载 * 请参考创建[ImageNet 2012数据集](https://github.com/amd/OpenCL-caffe/wiki/Instructions-to-create-ImageNet-2012-data)的步骤1-3下载和加压数据。 * 你可以通过[get_ilsvrc_aux.sh](https://github.com/BVLC/caffe/blob/master/data/ilsvrc12/get_ilsvrc_aux.sh)或从[ImageNet](http://www.image-net.org/download-images)下载训练和验证集。 ### 数据预处理 * 假设你已经下载了数据和描述文件。 现在我们应该将数据转换为二进制文件。你可以运行： sh create_data.sh 这个脚本会在指定输出目录下生成一个测试文件（`test.bin`），均值文件（`mean.bin`）和一些训练文件（`trainX.bin`）。 * 你也可以改变`create_data.sh`的参数。 + `-trainlist `: 训练数据列表文件; + `-trainfolder `: 训练图片所在文件夹; + `-testlist `: 测试数据列表文件; + `-testfolder `: 测试图像所在文件夹; + `-outdata `: 保存输出文件的文件夹，包括平均值，训练和测试文件。 该脚本将在指定的文件夹中生成这些文件; + `-filesize `: 在每个二进制文件中存储的训练图片个数. ### 训练 * 准备好数据后，你可以运行下面指令来训练AlexNet模型。 sh run.sh * 你可以改变`run.sh`的参数。 + `-epoch `: 要训练的epoch数目，默认为90; + `-lr `: 基础学习率，学习率将减少每20个时期，更具体地，lr = lr * exp（0.1 *（epoch / 20））; + `-batchsize `: 批数目，它应该根据你的内存而改变; + `-filesize `: 存储在每个二进制文件中的训练图像的数量，与数据预处理中的文件大小相同; + `-ntrain `: 训练图片的数目; + `-ntest `: 测试图片的数目; + `-data `: 存储二进制文件的文件夹，它恰好是数据预处理步骤中的输出文件夹; + `-pfreq `: 打印当前模型状态（损失和准确度）的频率（以批数据为单位）; + `-nthreads `: 加载传给模型的数据所有的线程数。