caffe学习笔记

accuracy为0：最后一层的输出不等于样本类别数。

synset_words.txt 从0开始一个类名对应一个数字，如
car 0
cat 1
dog 2

学习速率可以减小，否则下降太快，加大学习率会加快拟合速度，但是如果调得太大会导致切线旋转过度而无法收敛。

Convolution 层使用一系列可训练的卷积核对输入图像进行卷积操作,每组卷积核生成输出图像中的一个特征图。

InnerProduct 层(也被称作全连接层)将输入看成一个一向量,输出也为向量(输出 blob的高和宽都为 1)
。

fine-tuning

finetune的过程相当于继续训练，跟直接训练的区别是初始化的时候：
a. 直接训练是按照网络定义指定的方式初始化（如高斯随机初始化）
b. finetune是用你已经有的参数文件来初始化（就是之前训练好的caffemodel）

fine_tuning的过程其实就是用训练好的参数（可以从已训练好的模型中获得）初始化自己的网络，然后用自己的数据接着训练，参数的调整方法与 from scratch训练过程一样（梯度下降）。对于初始化过程，我们可以称自己的网络为目标网络，训练好的模型对应网络为源网络，要求目标网络待初始化的层要 与源网络的层相同（层的名字、类型以及层的设置参数等等均相同）。

finetune 的好处就是可以直接获得我们难以或者无法训练的底层参数.

output要与样本类别一致

如果使用cpu模式，那么最后的-gpu省略。
●Train as normal

layer{

layer {