参考文章： http://blog.csdn.net/u013059662/article/details/52770198 

caffe的安装配置，以及fcn的使用在我前边的文章当中都已经提及到了，这边不会再细讲。在下边的内容当中，我们来看看如何使用别人提供的数据集来训练自己的模型！在这篇文章之后，我计划还要再写如何fine-tune和制作自己的数据集，以及用自己的数据集fine-tune。

（一）数据准备（以SIFT-Flow 数据集为例）

下载数据集：  http://pan.baidu.com/s/1dFxaAtj   ，并解压至/fcn.berkeleyvision.org/data/下，并将文件夹名重命名为sift-flow。之后，将数据全部resize到500*500。

这里一定要注意，/fcn.berkeleyvision.org/data/下本来就有一个文件夹叫sift-flow，千万不要覆盖。同时，这些原本就存在的文件夹里的东西还要全部复制到新解压的sift-flow文件夹下边。你可以先把原本的sift-slow重新命名为sitf-flow_1，然后再解压复制！

（二） 下载预训练模型

下载VGG-16的预训练模型放至/fcn.berkeleyvision.org/ilsvrc-nets/目录下，并重命名为vgg16-fcn.caffemodel。

下载地址： http://pan.baidu.com/s/1gfeF4wN 

（三）源码修改

1. prototxt文件修改

进入siftflow-fcn32s文件夹下，将test.prototxt和trainval.prototxt中的fc6和fc7分别替换为其他名称，例如：fc6_new和fc7_new。

原因是我们下载的预训练模型VGG-16原模型中包含有fc6和fc7这两个全连接层，而在prototxt中，使我们新添加的卷积层，在模型加载时，如果名称一样，而结构数据不同，便会报错。如果改名之后，原来的fc6/7则会被忽略，而使用我们新的层。

2. caffe path的加入

由于FCN代码和caffe代码是独立的文件夹，因此，须将caffe的Python接口加入到path中去。这里有两种方案，一种是在所有代码中出现import caffe 之前，加入：

1 import sys
2 sys.path.append(‘caffe根目录/python‘)

另一种一劳永逸的方法是:在终端或者bashrc中将接口加入到PYTHONPATH中：

export PYTHONPATH=caffe根目录/python:$PYTHONPATH

（四）训练

1 $ cd cd siftflow-fcn32s/
2 $ python solve.py

这里会遇见几个问题：

（1）No module named surgery,score

原因是下载的fcn源码解压根目录下有两个文件：surgery.py和score.py。这两个文件是下载下来就自带的，并不是caffe自带的，也不是前边我安装caffe时需要配置的。由于我是在/fcn根目录/siftflow-fcn32s/这个文件夹下执行的，会导致找不到这两个文件。所以，解决方案就是：

 cp surgery.py score.py ./siftflow-fcn32s/

将surgery.py和score.py拷贝到siftflow-fcn32s下。

（2）ImportError: No module named setproctitle

解决方案是：安装setproctitle! sudo pip install setproctitle 

(3)IndexError: list index out of range

解决方案：修改GPU编号为0号GPU

（4）No modulw named siftflow_layers

解决方案：疯了，干错把根目录下边的所有.py文件全拷贝到siftflow-fcn32s里边去吧。

好了，现在可以开始训练了！看看训练过程：

由于损失loss很大，我也不知道什么时候能收敛，所以先放一放，等跑出结果来我再过来更新！

FCN网络的训练——以SIFT-Flow 数据集为例