我從零開始訓練了GoogLeNet模型。 但它沒有給我帶來希望的結果。
作為替代，我想對我的資料集中的GoogLeNet模型進行微調。 有誰知道我應該遵循什麼步驟？
採納答案：
假設你正在嘗試做影像分類。 這些應該是微調模型的步驟：
1.分類層
原始分類層"loss3/classifier"輸出1000個類的預測（它的mum_output設定為1000）。 您需要將其替換為具有適當num_output的新圖層。 替換分類層：
- 更改圖層的名稱（以便當您從caffemodel檔案讀取原始權重時，不會與此圖層的權重發生衝突）。
- 將
num_output更改為您嘗試預測的正確數量的輸出類。 - 請注意，您需要更改所有分類圖層。 通常只有一個，但是GoogLeNet碰巧有三個：
"loss1/classifier"，"loss2/classifier"和"loss3/classifier"。
2.資料
您需要建立一個新的訓練資料集，其中包含您想要調整的新標籤。 例如，請參閱這篇文章 ，瞭解如何製作lmdb資料集。
3.你想要進行多少廣泛的調諧？
微調模型時，可以訓練所有模型的權重，或者選擇修正一些權重（通常是較低/較深層次的過濾器），並僅訓練最頂層的權重。 這個選擇取決於你，它通常取決於可用的訓練資料量（更多的例子你可以承受更多的權重，可以進行微調）。
每個圖層（包含可訓練引數）都有param { lr_mult: XX } 。 這個係數決定了這些權重對SGD更新的敏感程度。 設定param { lr_mult: 0 }意味著你修改這個圖層的權重，並且在訓練過程中它們不會被改變。
相應地編輯您的train_val.prototxt 。
4.執行咖啡
執行caffe train但提供caffemodel的重量作為初始重量：
~$ $CAFFE_ROOT/build/tools/caffe train -solver /path/to/solver.ptototxt -weights /path/to/orig_googlenet_weights.caffemodel
更多答案請參考GoogLeNet模型的微調。版權歸stackoverflow所有，轉載請保留此連結 GoogLeNet模型的微調
更多關於caffe 的細節，關注徐其華大神的系列部落格，寫得非常詳細。
連結：http://www.cnblogs.com/denny402/tag/caffe/