【发布时间】：2016-08-18 21:05:14
【问题描述】：
我从头开始训练 GoogLeNet 模型。但这并没有给我带来有希望的结果。
作为替代方案，我想在我的数据集上对 GoogLeNet 模型进行微调。有谁知道我应该遵循哪些步骤？
【问题讨论】：
标签： machine-learning deep-learning computer-vision conv-neural-network caffe
【发布时间】：2016-08-18 21:05:14
【问题描述】：
假设您正在尝试进行图像分类。这些应该是微调模型的步骤：
1。分类层
原始classification layer "loss3/classifier" 输出 1000 个类别的预测（mum_output 设置为 1000）。您需要将其替换为具有适当num_output 的新层。更换分类层：
- 更改层的名称（这样当您从 caffemodel 文件中读取原始权重时，不会与该层的权重发生冲突）。
- 将
num_output更改为您尝试预测的正确数量的输出类。 - 请注意，您需要更改所有分类层。通常只有一个，但 GoogLeNet 恰好有三个：
"loss1/classifier"、"loss2/classifier"和"loss3/classifier"。
2。数据
您需要使用要微调的新标签创建一个新的训练数据集。例如，请参阅this post，了解如何制作 lmdb 数据集。
3。您想要多广泛的微调？
在微调模型时，您可以训练所有模型的权重或选择固定一些权重（通常是较低/较深层的过滤器）并仅训练最顶层的权重。这个选择取决于您，它通常取决于可用的训练数据量（您拥有的示例越多，您可以负担得起微调的权重越多）。
每一层（包含可训练参数）都有param { lr_mult: XX }。该系数决定了这些权重对 SGD 更新的敏感程度。设置param { lr_mult: 0 } 意味着你修复了这一层的权重，并且在训练过程中它们不会改变。
相应地编辑您的train_val.prototxt。
4。运行咖啡
运行 caffe train，但为其提供 caffemodel 权重作为初始权重：
~$ $CAFFE_ROOT/build/tools/caffe train -solver /path/to/solver.ptototxt -weights /path/to/orig_googlenet_weights.caffemodel
【讨论】：
-
非常感谢 Shai 的回复。你能告诉我如何获得预训练的 GoogLeNet 模型吗？我使用下面给出的链接下载预训练模型。 dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel
-
@AshutoshSingla 看看 caffe 模型动物园
-
我进行了微调，但结果并不乐观。在 1000 次迭代后，我只能获得 50% 的准确度。我的训练数据集有 3k 图像，验证有 1k 图像，评估有 1k 图像。我将 base_lr 设置为 0.001，将 max_itr 设置为 10000。这个精度是正常的还是我做错了什么？如果需要，我还可以分享我在文件中所做的更改。 @shai 你有什么建议吗？
-
@AshutoshSingla 你必须更具体。如果您有新问题，请ask。
与过去的手动功能相比，微调是一个非常有用的技巧，可以实现有希望的准确度。 @Shai 已经发布了一个很好的使用 Caffe 对 Googlenet 进行微调的教程，所以我只是想给出一些针对一般情况进行微调的建议和技巧。
大多数时候，我们面临一个任务分类问题，新数据集（例如Oxford 102 flower dataset或Cat&Dog）有以下四种常见情况CS231n：
- 新数据集较小，与原始数据集相似。
- 新数据集很小，但与原始数据集不同（最常见的情况）
- 新数据集很大，与原始数据集相似。
- 新数据集很大，但与原始数据集不同。
在实践中，大多数时候我们没有足够的数据来从头开始训练网络，但对于预训练模型来说可能已经足够了。无论我上面提到哪些情况，我们唯一需要关心的是我们是否有足够的数据来训练 CNN？
如果是，我们可以从头开始训练 CNN。然而，在实践中，从预训练模型中初始化权重仍然是有益的。
如果不是，我们需要检查数据是否与原始数据集有很大不同？如果非常相似，我们可以微调全连接神经网络或fine-tune with SVM。但是，如果它与原始数据集有很大不同，我们可能需要fine-tune the convolutional neural network to improve the generalization。
【讨论】：