GoogLeNet模型的微調

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？

采納答案：

假設你正在嘗試做圖像分類。 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）。 您需要将其替換為具有适當​

​num_output​

​的新圖層。 替換分類層：

1. 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沖突）。
2. 将​

   ​num_output​

   ​更改為您嘗試預測的正确數量的輸出類。
3. 請注意，您需要更改所有分類圖層。 通常隻有一個，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标簽。 例如，請參閱​​這篇文章​​ ，了解如何制作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），并僅訓練最頂層的權重。 這個選擇取決于你，它通常取決于可用的訓練資料量（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（包含可訓練參數）都有​

​param { lr_mult: XX }​

​ 。 這個系數決定了這些權重對SGD更新的敏感程度。 設定​

​param { lr_mult: 0 }​

​意味着你修改這個圖層的權重，并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.運作咖啡

運作​

​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