本文介绍了如何利用自己的数据集对CaffeNet模型进行微调。首先，下载预训练的Caffemodel并将其放在指定目录。接着，处理自己的数据集生成lmdb格式。然后，调整网络参数，如更改最后一层全连接层名和输出数，提高特定层的学习速率。在Solver参数中，降低学习速率、调整步长和迭代次数以适应微调需求。最后，启动训练过程，观察loss下降速度。参考了多篇相关博文。
1、caffemodel文件。
可以直接在浏览器里输入地址下载，也可以运行脚本文件下载。下载地址为：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel
文件名称为：bvlc_reference_caffenet.caffemodel，文件大小为230M左右，为了代码的统一，将这个caffemodel文件下载到caffe根目录下的 models/bvlc_reference_caffenet/ 文件夹下面。也可以运行脚本文件进行下载：
# sudo ./scripts/download_model_binary.py models/bvlc_reference_caffenet 2.处理自己的数据集
用create_imagenet.sh和make_imagenet_mean.sh生成自己lmdb格式的数据集和均值文件。
3.调整网络参数
1）首先修改最后一层全连接层的名字，以及根据自己的数据确定的最后输出个数
2）调整学习速率，因为最后一层是重新学习，因此需要有更快的学习速率相比较其他层，因此我们将，weight和bias的学习速率加快10倍。
3）修改Solver参数
原来的参数是用来training from scratch，从原始数据进行训练的，因此一般来说学习速率、步长、迭代次数都比较大，在fine-tuning 微调呢，也正如它的名字，只需要微微调整。
主要的调整有：test_iter从1000改为了100，因为数据量减少了，base_lr从0.01变成了0.001，这个很重要，微调时的基本学习速率不能太大，学习策略没有改变，步长从原来的100000变成了20000，最大的迭代次数也从450000变成了50000，动量和权重衰减项都没有修改，依然是GPU模型，网络模型文件和快照的路径根据自己修改
4）开始训练
./build/tools/caffe train --solver ./models/bvlc_reference_caffenet/solver.prototxt --weights ./models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel5）我还没有运行结束，但每次迭代loss下降的速度明显增快
参考的博文如下：
http://www.cnblogs.com/louyihang-loves-baiyan/
http://www.cnblogs.com/lyyang/p/6655435.html
http://blog.youkuaiyun.com/dcxhun3/article/details/52021296
扫一扫
5547
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
