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，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，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，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，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