在跑完mnist数据集后，想跑一下cifar10，发现网上介绍的资料不多，有些步骤有点麻烦，因此就参考训练mnist数据集的方法对cifar10数据进行训练，最后得到了训练结果。
一、下载数据
进入到caffe根目录，输入下面的代码下载数据：
sudo sh data/cifar10/get_cifar10.sh
可以看到在cifar10文件夹下多了一些文件。
二、转换格式
下载好的原始数据为二进制文件，需要转换为leveldb或lmdb才能被caffe识别，在caffe根目录下输入下面的代码进行转换：
sudo sh examples/cifar10/create_cifar10.sh
此时在examples/cifar10目录下可以看到cifar10_test_lmdb和cifar10_train_lmdb两个文件夹。
三、进行训练
在cifar10目录下可以看到train_quick.sh和train_full.sh两个文件，运行这两个文件即可开始数据的训练。
train_quick.sh文件是快速训练，最大迭代次数只有4000，而full最大迭代次数则为60000，因此quick训练速度较快，精度只有百分之七十多，full训练完成需要4个小时左右（机器不同训练时间可能不一样，且这个时间是我在用GPU的情况下的时间），精度为百分之八十多。如果你需要使用cpu进行训练，需要打开相应的模型描述文件进行修改。如：要使用quick方法进行训练，则打开train_quick.sh文件，可以看到这个文件调用了cifar10_quick_solver.prototxt模型文件，打开cifar10_quick_solver.prototxt，可以看到最后一行为设置gpu or cpu模式，此处根据需要进行修改。默认的为gpu。
输入下面代码开始训练：
sudo sh examples/cifar10/train_quick.sh
如果需要full训练的话，方法是一样的。
此处如果不在caffe根目录下运行会报错，原因是.sh文件里调用了编译好的caffe可执行文件，路径是基于根目录的，因此需要在根目录下运行。
四、利用test数据进行分类
训练过程结束后，可以看到在cifar10文件夹下多了几个文件，其中cifar10_quick_iter_5000.caffemodel.h5是最终得到的模型权值数据，cifar10_quick_iter_5000.solverstate.h5保存了训练状态数据。这两个文件都是二进制数据。此处用来分类的文件为cifar10_quick_iter_5000.caffemodel.h5文件。
依旧是在caffe根目录下输入下面的代码进行分类：
sudo ./build/tools/caffe.bin test -model examples/cifar10/cifar10_quick_train_test.prototxt -weights examples/cifar10/cifar10_quick_iter_5000.caffemodel.h5 -iterations 100
分类过程比较快，几分钟就可以看到分类的结果，我电脑上最终得到的accuracy平均为80+%.
五、总结
跑例子只是学习的手段之一，在执行上面的每个步骤的过程中，最好理解每一步的原理再去执行会学到更多，在运行这些文件的时候建议看一下这些文件中的代码，确定一下文件之间的调用关系，熟悉caffe训练一个数据集的过程。