C++ Caffe GoogleNet CLASSION.cpp提供随机输出

我使用Caffe GoogleNet模型来训练我自己的数据（10k图像，2个类）。我在第400000次迭代时停止它，精度约为80%

如果我运行以下命令：

./build/examples/cpp_classification/classification.bin
  models/bvlc_googlenet/deploy.prototxt  
  models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel 
  data/ilsvrc12/imagenet_mean.binaryproto
  data/ilsvrc12/synset_words.txt
  1.png

---

它每次都会给我一个不同的——显然是随机的——结果（也就是说，如果我运行它n次，那么我会得到n个不同的结果）。为什么？我的训练失败了吗？它仍然使用参考模型中的旧数据吗？

我认为这不是培训的问题。即使训练数据不正确，每次也应该给出相同（可能错误）的输出。如果您得到随机结果，则表示未正确加载权重

当您针对.prototxt加载.caffemodel时，caffe将加载prototxt中名称与caffemodel中名称匹配的所有层的权重。对于其他层，它将进行随机初始化（根据prototxt中的规范，gaussian xavier等）

因此，您现在要做的最好的事情是检查模型是否使用您现在使用的相同prototxt进行了训练

---

我看到您正在使用GoogleNet prototxt和reference_caffenet caffemodel。这是故意的吗？

我认为这不是训练的问题。即使训练数据不正确，每次也应该给出相同（可能错误）的输出。如果您得到随机结果，则表示未正确加载权重

当您针对.prototxt加载.caffemodel时，caffe将加载prototxt中名称与caffemodel中名称匹配的所有层的权重。对于其他层，它将进行随机初始化（根据prototxt中的规范，gaussian xavier等）

因此，您现在要做的最好的事情是检查模型是否使用您现在使用的相同prototxt进行了训练

---

我看到您正在使用GoogleNet prototxt和reference_caffenet caffemodel。这是故意的吗？

当您想要部署微调模型时，您应该检查两个主要事项：

投入：

• 输入图像使用通道而不是RGB（例如opencv）
• 平均档案：培训时与平均档案相同吗

:

• 在微调模型时，您将更改原始prototxt中某些层的名称，并且您应该检查是否使用了相同的层名称

还有一些

---

这对于微调非常有用。

当您想要部署微调模型时，您应该检查两个主要事项：

投入：

• 输入图像使用通道而不是RGB（例如opencv）
• 平均档案：培训时与平均档案相同吗

:

• 在微调模型时，您将更改原始prototxt中某些层的名称，并且您应该检查是否使用了相同的层名称

还有一些

---

这对于微调非常有用。

10k图像对于从头开始训练ConvNet来说真的不是很多。你试过对另一个模型进行微调吗？从零开始训练ConvNet，10k图像真的不是很多。你试过微调另一个型号吗？