交接：在 Windows 上實現 ResNet 與 SENet 實驗

• 本篇的所有故事都發生在C:/Projects/caffe/ResNet/當中。
• 桌面有一個名為caffe-windows-ms的資料夾，千萬不要更動或刪除！因為在跑 SENet 時需要特殊的網路結構，這結構在一般的 caffe 安裝包裡都沒有，所以必須透過 Visual Studio 改造與編譯；而這個資料夾裡放的caffe.exe就是最終編譯好的版本。如果不小心刪掉，請去 SENet 的 Github 下載特殊的 caffe 結構，並爬文「如何在 windows 下使用 Visual Studio 編譯 caffe」。

訓練篇

在C:/Projects/caffe/ResNet/目錄中，包含了 ResNet 101 層與 SENet 101 層的所有訓練與測試檔案。

因為 ResNet 與 SENet 並不像 YOLO 具備 Detection 的功能，所以我們在進行實驗時，必須先以「手動剪裁」的方式，把資料集當中的「目標物」剪裁出來進行訓練與測試，而不是直接將整張影像丟進去。

Step 1: 準備訓練資料集

• 在train資料夾中，放入所有訓練用的影像檔案，從1.jpg開始連續編號。
• 接著，使用txt_generator.py檔案，產生訓練用的 label 檔案train.txt，一樣放在train資料夾中。
• 最後，雙擊Step1_create_train_lmdb.bat檔案，在lmdb資料夾中產生img_train_lmdb資料夾。

Step 2: 準備測試資料集

• 在test資料夾中，一樣放入所有測試用的影像檔案，從1.jpg開始連續編號。
• 接著，同樣使用txt_generator.py檔案，產生測試用的 label 檔案test.txt，放在test資料夾中。
• 最後，雙擊Step2_create_test_lmdb.bat檔案，在lmdb資料夾中產生img_test_lmdb資料夾。

Step 3: 計算訓練影像均值

• 當我們產生img_train_lmdb資料夾之後，就可以直接雙擊Step3_compute_image_mean.bat檔案，在lmdb資料夾中產生mean.binaryproto檔案。

Step 4: 訓練設定

ResNet 與 SENet 的網路結構檔案，分別為ResNet_101_train.prototxt與SE-ResNet_101_train.prototxt。

• 我們會在mean_file參數中，放上mean.binaryproto檔案的路徑。
• 在source參數中，分別放上img_train_lmdb與img_test_lmdb資料夾的路徑。
• 如果之後在訓練時，出現 GPU 記憶體不足的情況，請降低batch_size的大小。

ResNet 與 SENet 的訓練設定檔案，分別為ResNet_solver_101.prototxt與SE-ResNet_solver_101.prototxt。

• 我們會在net參數中，放上剛剛介紹的網路結構檔案路徑。
• 剩下參數請依照圖示進行調整。當然 Solver 有非常多的參數可以設定，更多的範例請參考這邊。

開始跑訓練的檔案是Step4_train.bat。

• 裡面有三個參數，第一個是 caffe.exe 的路徑，這東西在桌面上的caffe-windows-ms資料夾中，所以我們才在最一開始特別提醒不要去動這個資料夾；第二個是train指令；第三個是要用來訓練的訓練設定檔案，也就是 Solver 檔。
• 開始訓練時，如果遇到訓練暫停（使用鍵盤組合鍵 Ctrl + C）或是迭代次數到達了 Solver 中的 snapshot 次數，網路就會在model資料夾中儲存caffemodel與solverstate權重檔案，這兩個檔案將可用在「恢復訓練」或是「測試」階段。

使用Step4_resume_train.bat恢復之前跑到一半的訓練。

• 如果要恢復之前暫停的訓練，請在 .bat 檔中設定--snapshot參數為「.solverstate 檔案的路徑」並雙擊即可。

測試篇

網路評估工具 Classification.ipynb

因為後來在實驗中發現，Caffe 內建的測試彈性並不大，所以Step5_test.bat檔案我們就不用了，改用 Python 程式來進行測試。

• 首先，請打開 Anaconda，將Applications on切換為「Caffe」並執行 Jupyter Notebook。
• 開啟網頁視窗後，點擊ResNet資料夾當中的Classification.ipynb檔案。

Setup & Functions

• 第一段的 Setup & Functions 部份是在進行初始化，讓我們的程式可以全自動地計算網路識別的 Precision、Recall、F1-score、Specificity 等參數。
• 這部分只有幾個地方可能需要修改：
  • 首先是在#----- image_testing -----段落的 for 迴圈中，將「4501」更改為你的「測試影像數 + 1」的數字。
  • 接著在同一個段落中，將image = caffe.io.loade_image(...)當中的路徑，更改為存放「測試影像」的路徑。
  • 如果你想知道系統將哪幾張影像辨識錯誤，請將#----- score_measure -----段落中間兩個print函式的註解關閉。
  • 如果你想繪製混淆矩陣，請在同個段落中，將最後四行的註解關掉。
  • 如果你想顯示 F1-score 未達 100% 的排藥名稱與分數，請在最下面的#----- Average -----段落，將最後兩行註解關閉。

F1-score measure

• 在這一段程式中，我們可以透過 for 迴圈來大量測試數個模型網路的識別效果。
• 首先設定每一類別的測試影像張數catCount，接著設定model資料夾中，測試用的權重檔案迭代次數：step代表每個 model 間的迭代次數差距；begin代表第一個權重檔的迭代次數；end代表最後一個權重檔的迭代次數。
• 接著在model_def放置網路結構檔案路徑；在model_weights放置權重檔案路徑；在mu_file放置影像均值檔案路徑。
• 執行以後，就會列出每個模型的測試評估分數。

Other measurements

• 這部分的測試包含了 Top-1、Top-5、Softmax 分佈以及機率分佈圖。
• 在最前面的#----- Variables -----設定為變數後，就可以逐一執行後面的程式。