Deep learning 使用不同的类数微调CNN

我正试图在我自己的30类数据集上微调一个经过PASCAL-VOC训练的更快的RCNN模型

参考模型：

当然，当我将cls_分数和bbox_pred num_输出分别更改为30和120而不是21和84时，这些层的权重不会加载，我需要更改层的名称。
我想知道是否有办法为不同数量的类保存在FC层中学习到的数据

谢谢。

根据，这应该很简单

您需要将图层名称与所需的参考模型图层相匹配。例如，如果需要参考模型的

ip1

层的权重，则模型应具有相同的名称：

layer {
  name: "ip1"
  ...

模型中具有不同名称的层将随机初始化，或者根据您决定的方案进行初始化。训练时，要从

他们的RModel.caffemodel

中借用权重，您可以按如下方式启动模型：

caffe train —solver ourSolver.prototxt —weights theirModel.caffemodel

编辑

---

对不起，我想我根本没有回答你的问题。如果完全连接的层是100 x 10矩阵，则不能使用100 x 20矩阵的权重。权重在新的上下文中没有任何意义。最好随机初始化新层

谢谢@vega。我确实问过（在你的例子中）100 x 10对于新类/另一个形状是否有任何意义。它没有任何意义。因此，原来的输出层100x10将被废弃，您将初始化一个新的100x20层。但是，您可以保留其他模型中所有预训练的较低层，这可能是有益的。这回答了你的问题吗？