caffe svm损失参数

finetune

参考链接https://blog.youkuaiyun.com/nongfu_spring/article/details/51514040

预训练模型的参数如何跟自己的网络匹配的呢

预训练的模型根据你当前网络的layer 名进行匹配参数，加入预训练原始网络的第一个卷积层name是conv1，而你自己的第一个卷积层网络name是Convolution1，那么这个层在预网络中的参数就不会被匹配调用，这就没有实现我们finetune的目的！

因为没有匹配上的layer会随机初始化

微调的意思就是先在别的数据集上进行训练，把训练好的权值，作为我们现在数据集的权值初始化，就不再需要随机初始化了

ignore_label

int型变量，默认为空。 

如果指定值，则label等于ignore_label的样本将不参与Loss计算，并且反向传播时梯度直接置0.

如果你有一些背景部分不想用来参与loss的计算，这里提供一个ignore_label的参数，可以把背景标记成255，然后这个参数设置成255，之后所有被标记为255的点虽然参与了forward计算，但是不会参与loss的计算，也就不会有反向传播的效果

normalize

bool型变量，即Loss会除以参与计算的样本总数；否则Loss等于直接求和

mirror:false    # 1表示开启镜像，0表示关闭，也可用ture和false来表示

crop_size: 227  

# 剪裁一个 227*227的图块，在训练阶段随机剪裁，在测试阶段从中间裁剪

只裁剪一次吗？？

   #因为在deploy中指明训练图片是227*227，这里剪裁为 227*227的图块

new_height和new_width 可以不设置，这样以来就是原始图片的大小。比如我裁剪的车辆图片是24*24，如果不设置new_height 和new_width ，这样会导致caffe运行出错，因为无法在一幅24*24的图片中裁剪出一个227*227的图片。因此，当原始图片小于227*227时，必须进行resize

 需要将正负样本的顺序打乱，这样训练的效果比较好

注：如果图片过大，需要适当缩小batch_size的值，否则使用GPU时可能超出其缓存大小而报错