使用python接口来运行caffe程序，主要的原因是python非常容易可视化。所以不推荐大家在命令行下面运行python程序。如果非要在命令行下面运行，还不如直接用 c++算了。
推荐使用jupyter notebook，spyder等工具来运行python代码，这样才和它的可视化完美结合起来。
因为我是用anaconda来安装一系列python第三方库的，所以我使用的是spyder,与matlab界面类似的一款编辑器，在运行过程中，可以查看各变量的值，便于理解，如下图：
只要安装了anaconda，运行方式也非常方便，直接在终端输入spyder命令就可以了。
在caffe的训练过程中，我们如果想知道某个阶段的loss值和accuracy值，并用图表画出来，用python接口就对了。
# -*- coding: utf-8 -*- """ Created on Tue Jul 19 16:22:22 2016 @author: root """ import matplotlib.pyplot as plt import caffe caffe.set_device(0) caffe.set_mode_gpu() # 使用SGDSolver，即随机梯度下降算法 solver = caffe.SGDSolver(\'/home/xxx/mnist/solver.prototxt\') # 等价于solver文件中的max_iter，即最大解算次数 niter = 9380 # 每隔100次收集一次数据 display= 100 # 每次测试进行100次解算，10000/100 test_iter = 100 # 每500次训练进行一次测试（100次解算），60000/64 test_interval =938 #初始化 train_loss = zeros(ceil(niter * 1.0 / display)) test_loss = zeros(ceil(niter * 1.0 / test_interval)) test_acc = zeros(ceil(niter * 1.0 / test_interval)) # iteration 0，不计入 solver.step(1) # 辅助变量 _train_loss = 0; _test_loss = 0; _accuracy = 0 # 进行解算 for it in range(niter): # 进行一次解算 solver.step(1) # 每迭代一次，训练batch_size张图片 _train_loss += solver.net.blobs[\'SoftmaxWithLoss1\'].data if it % display == 0: # 计算平均train loss train_loss[it // display] = _train_loss / display _train_loss = 0 if it % test_interval == 0: for test_it in range(test_iter): # 进行一次测试 solver.test_nets[0].forward() # 计算test loss _test_loss += solver.test_nets[0].blobs[\'SoftmaxWithLoss1\'].data # 计算test accuracy _accuracy += solver.test_nets[0].blobs[\'Accuracy1\'].data # 计算平均test loss test_loss[it / test_interval] = _test_loss / test_iter # 计算平均test accuracy test_acc[it / test_interval] = _accuracy / test_iter _test_loss = 0 _accuracy = 0 # 绘制train loss、test loss和accuracy曲线 print \'\nplot the train loss and test accuracy\n\' _, ax1 = plt.subplots() ax2 = ax1.twinx() # train loss -> 绿色 ax1.plot(display * arange(len(train_loss)), train_loss, \'g\') # test loss -> 黄色 ax1.plot(test_interval * arange(len(test_loss)), test_loss, \'y\') # test accuracy -> 红色 ax2.plot(test_interval * arange(len(test_acc)), test_acc, \'r\') ax1.set_xlabel(\'iteration\') ax1.set_ylabel(\'loss\') ax2.set_ylabel(\'accuracy\') plt.show()