Deep learning 如何在火炬上训练caffe模型

我使用将caffe模型加载到torch，示例显示

require 'caffe'
net = caffe.Net('deploy.prototxt', 'bvlc_alexnet.caffemodel', 'test') 
input = torch.FloatTensor(10,3,227,227)
output = net:forward(input)
gradOutput = torch.FloatTensor(10,1000,1,1)
gradInput = net:backward(input, gradOutput)

但是，当我使用backward来训练网络时，无论训练多少次，输入相同的数据时，输出都不会改变。因此，如何训练caffe模型，提前感谢
添加：

---

很抱歉，我没有说清楚。我的代码如下：

caffenet = caffe.Net('test.prototxt','test2.caffemodel','train')
caffe_output = caffenet:forward(input)
local predParts=netPred:forward(caffe_output)
netPred:backward(caffe_output, gradPred)
caffenet:backward(input,g) 

---

netPred

是一个火炬网，

caffenet

是一个去除最后一层损耗的网。但是我设置了最后第二层

loss_weight=1

，控制台显示像这样的所有层

ip1需要反向计算。

，但是当我使用

向后时，我检查输出从未改变。即使我添加了丢失层，它也不起作用。
通常在caffe中，“部署”网络仅用于测试：也就是说，它不需要输入标签，也没有丢失。你需要“train”协议。很抱歉我没有说清楚。我的代码是这样的：
caffenet=caffe.Net（'test.prototxt'，'test2.caffemodel'，'train'）caffee\u输出=caffenet:forward（input）local predParts=netPred:forward（caffe\u output）netPred:backward（caffe\u output，graded）caffenet:backward（input，g）
netPred
是一个火炬网，
caffenet
是一个去除最后一层损耗的网。但是我设置了最后第二层
loss_weight=1
，控制台显示像这样的所有层
ip1都需要反向计算。
，但是当我使用
向后时，我检查输出从未改变。即使我添加了损耗层，它也不起作用。loss\u weight=1并不意味着你有损耗层。您需要输出标量损失值。请不要在注释中发布代码：无法清晰地读取。编辑您的帖子以反映您的评论通常在caffe中，“部署”网络仅用于测试：也就是说，它不需要输入标签，也没有损失。你需要“train”协议。很抱歉我没有说清楚。我的代码是这样的：
caffenet=caffe.Net（'test.prototxt'，'test2.caffemodel'，'train'）caffee\u输出=caffenet:forward（input）local predParts=netPred:forward（caffe\u output）netPred:backward（caffe\u output，graded）caffenet:backward（input，g）
netPred
是一个火炬网，
caffenet
是一个去除最后一层损耗的网。但是我设置了最后第二层
loss_weight=1
，控制台显示像这样的所有层
ip1都需要反向计算。
，但是当我使用
向后时，我检查输出从未改变。即使我添加了损耗层，它也不起作用。loss\u weight=1并不意味着你有损耗层。您需要输出标量损失值。请不要在注释中发布代码：无法清晰地读取。编辑您的帖子以反映您的评论