如何用caffe解决回归问题

近在基于caffe做目标检测的问题，需要利用caffe来训练一个回归网络，用来预测object在图像中的位置（x1,y1,width,height）。但是现有的caffe版本（happynear版本）只适用于二分类问题的数据集转换，所以需要修改caffe源码，使之也可以转换回归问题的数据集。
主要是参照进行修改。但是这份博客使用的不是happynear的caffe版本，所以源码改动的地方差异较大。下面我会记录我改动的地方。
一源码修改
1修改caffeproto，位于/src/caffe/proto
36行改成 repeated float label = 5;，然后运行extract_protobat
2修改data_layerhpp

你想调用你的模型，最简单的办法是看examples/cpp_classification里面的cpp文件，那是教你如何调用caffe获取分类结果的（你没接触过caffe的话，建议你直接按照这个文件来 *** 作可能会比较简单，下面我的代码我也不知道没接触过caffe的人看起来

1下载好来自ImageNet的training和validation数据集合；分别存放在如下的格式：
/path/to/imagenet/train/n01440764/n01440764_10026JPEG
/path/to/imagenet/val/ILSVRC2012_val_00000001JPEG
2 进行一些预处理 *** 作：
cd $CAFFE_ROOT/data/ilsvrc12/
/get_ilsvrc_auxsh
3训练数据和测试数据分别放在traintxt和valtxt中，里面有他们的文件和相对应的标签；
4 最后作者把1000类的类名用0--999表示，他们相对应的类别名称则用synset_wordstxt 来存储他们之间的映射。
5作者提到怎么去是否应该先把图像都归一化到256256中，作者提到用Mapreduce去加快这种过程；
也可以直接这么做：
for name in /path/to/imagenet/val/JPEG; do
convert -resize 256x256\! $name $name
Done
6在 create_imagenetsh中设置训练的参数，并在里面指定训练和测试的数据库路径，如果图像没有提前归一化到相同的大小，则需要加”RESIZE=true“，设置”GLOG_logtostderr=1 “表示了可以参考更多的信息，
在执行 /create_imagenetsh 之后会有新的数据文件生成：
ilsvrc12_train_leveldb 和 ilsvrc12_val_leveldb
7 因为模型需要我们减去图像的均值，所以我们需要计算图像均值，在工具
tools/compute_image_meancpp 实现了这种 *** 作，
或者可以直接用：
/make_imagenet_meansh 脚本来进行计算图像均值，并生成：
data/ilsvrc12/imagenet_meanbinaryproto 文件
8定义网络的结构：imagenet_train_valprototxt
里面有两行指定了数据库和图像的路径
source: "ilvsrc12_train_leveldb"
mean_file:"//data/ilsvrc12/imagenet_meanbinaryproto"
并且指定了 include { phase: TRAIN } or include { phase: TEST } 来区分训练和测试
9关于输入层的不同：
训练数据中，，data项来自 ilsvrc12_train_leveldb 并且进行了随机镜像 *** 作，测试数据中data项来自于ilsvrc12_val_leveldb 而没有进行随机镜像 *** 作；
10输出层的不同：
输出层都为 softmax_loss 层，在训练网络当中，用来计算损失函数，并且用来初始化BP过程，测试网络同样有一个第二个输出层，accuracy，它用来报告测试的精度，在训练的过程中，测试网络将实例化并且测试准确率，产成的命令行为：Test score #0: xxx and Test score #1: xxx 等。
11运行网络，其中设置
每批batch为256个，运行450000次迭代，接近90次epoch；
每1000次迭代，就在用测试集进行测试；
设置初始的学习率为001，并且每100000次迭代中进行学习率下降，大概进行20次epoch；
每20次epoch就显示出一些数据信息；
网络训练的动量为09，权重衰减因子为00005，
每10000次迭代中，就生成当前状态的快照；
这些设置在 examples/imagenet/imagenet_solverprototxt 中进行设置，并且同样我们需要指定文件的路径：
net: "imagenet_train_valprototxt"
12开始训练网络：
/train_imagenetsh
13 在K20中，每20个迭代花费36s，所以，一幅图像的一次前馈+反馈（FW+BW）大概需要7ms，前馈花费25ms，剩下的是反馈，
可以在 examples/net_speed_benchmarkcpp 中进行时间的查看；
14因为我们有保存了快照，所以我们可以通过
/resume_trainingsh 来进行resume恢复，脚本caffe_imagenet_train_1000solverstate 保留了要恢复的所有信息，
15总结，Caffe可以很方便进行通过设置文件的方式来进行设置不同的网络结构。

Ubuntu 1404 64位机上用Caffe+MNIST训练Lenet网络 *** 作步骤1将终端定位到Caffe根目录；
2MNIST数据库并解压缩：$ /data/mnist/get_mnistsh
3将其转换成Lmdb数据库格式：$ /examples/mnist/create_mnistsh
执行完此shell脚本后，会在/examples/mnist下增加两个新目录，mnist_test_lmdb和mnist_train_lmdb
4train model：$ /examples/mnist/train_lenetsh
(1)、使用LeNet网络(《Gradient-BasedLearning Applied to Document Recognition》)；
(2)、使用/examples/mnist/lenet_train_testprototxtmodel；
(3)、使用/examples/mnist/lenet_solverprototxtmodel；
(4)、执行train_lenetsh脚本，会调用/build/tools目录下的caffe执行文件，此执行文件的实现是/tools目录下的caffecpp文件；
(5)、执行此脚本后，会生成几个文件，其中/examples/mnist/lenet_iter_10000caffemodel则是最终训练生成的model文件；
(6)、以上默认的是在GPU模式下运行，如果想让其在CPU模式下运行，只需将lenet_solverprototxt文件中的solver_mode字段值由原来的GPU改为CPU即可。

---