Machine learning 如何在我们自己的数据集上训练CAFEMODEL？
我尝试使用预先训练过的bvlc_reference_caffenet.caffemodel从图像中识别对象。对于只包含单个对象的图像，我得到了很好的结果。对于具有多个对象的图像，我从prediction中删除了Machine learning 如何在我们自己的数据集上训练CAFEMODEL？,machine-learning,neural-network,deep-learning,caffe,conv-neural-network,Machine Learning,Neural Network,Deep Learning,Caffe,Conv Neural Network,我尝试使用预先训练过的bvlc_reference_caffenet.caffemodel从图像中识别对象。对于只包含单个对象的图像，我得到了很好的结果。对于具有多个对象的图像，我从prediction中删除了argmax（）项，该项为类标签提供了最大概率 尽管如此，我得到的标签的准确度还是很低。因此，我正在考虑在我自己的数据集（包含多个对象的图像）上训练同一个CAFEMODEL。我应该如何进行？有没有办法用不同的数据集对预先训练好的CAFEMODEL进行重新训练？您所追求的被称为“微调”：使用
argmax（）尽管如此，我得到的标签的准确度还是很低。因此，我正在考虑在我自己的数据集（包含多个对象的图像）上训练同一个CAFEMODEL。我应该如何进行？有没有办法用不同的数据集对预先训练好的CAFEMODEL进行重新训练？您所追求的被称为“微调”：使用为任务a训练过的深网，重用其权重并重新训练以完成任务B。
您可以从开始，但只需通过谷歌搜索“finetune caffe model”，您就会发现更多信息
您可能还对使用每个输入图像的多个类别来训练caffe感兴趣。如果我要使用CPU而不是GPU，那么一个经过预训练的caffe模型需要多少时间来进行微调？取决于您运行的迭代次数我现在只使用很少的数据集进行训练。我应该进行多少次迭代？@foo一次覆盖新训练集需要多少次迭代（一个“历元”）？我的solver.prototxt文件类似于：`net://home/foo/Project/train\u val.prototxt“test\iter:1000测试间隔：1000基本lr:0.01 lr\u策略：“step”gamma:0.1步长：100000显示：20最大值：450000动量：0.9重量衰减：0.0005快照：10000快照前缀：“/home/foo/caffe/models/bvlc\u参考值\u caffenet/caffenet\u train”解算器\u模式：CPU`不清楚是要训练网络进行单标签分类还是多标签分类。对于多标签分类，使用Caffe的PR#523。