GoogLeNet模型的微调

我从零开始训练了GoogLeNet模型。 但它没有给我带来希望的结果。 

作为替代，我想对我的数据集中的GoogLeNet模型进行微调。 有谁知道我应该遵循什么步骤？

采纳答案：

假设你正在尝试做图像分类。 这些应该是微调模型的步骤：

1.分类层

原始​​分类层"loss3/classifier"​​输出1000个类的预测（它的​

​mum_output​

​设置为1000）。 您需要将其替换为具有适当​

​num_output​

​的新图层。 替换分类层：

1. 更改图层的名称（以便当您从caffemodel文件读取原始权重时，不会与此图层的权重发生冲突）。
2. 将​

   ​num_output​

   ​更改为您尝试预测的正确数量的输出类。
3. 请注意，您需要更改所有分类图层。 通常只有一个，但是GoogLeNet碰巧有三个： ​​"loss1/classifier"​​ ， ​​"loss2/classifier"​​和​​"loss3/classifier"​​ 。

2.数据

您需要创建一个新的训练数据集，其中包含您想要调整的新标签。 例如，请参阅​​这篇文章​​ ，了解如何制作lmdb数据集。

3.你想要进行多少广泛的调谐？

微调模型时，可以训练所有模型的权重，或者选择修正一些权重（通常是较低/较深层次的过滤器），并仅训练最顶层的权重。 这个选择取决于你，它通常取决于可用的训练数据量（更多的例子你可以承受更多的权重，可以进行微调）。 

每个图层（包含可训练参数）都有​

​param { lr_mult: XX }​

​ 。 这个系数决定了这些权重对SGD更新的敏感程度。 设置​

​param { lr_mult: 0 }​

​意味着你修改这个图层的权重，并且在训练过程中它们不会被改变。 

相应地编辑您的​

​train_val.prototxt​

​ 。

4.运行咖啡

运行​

​caffe train​

​但提供caffemodel的重量作为初始重量：

~$ $CAFFE_ROOT/build/tools/caffe train -solver /path/to/solver.ptototxt -weights /path/to/orig_googlenet_weights.caffemodel      

　　

更多答案请参考GoogLeNet模型的微调。版权归stackoverflow所有，转载请保留此链接 GoogLeNet模型的微调