Machine learning GoogLeNet模型的微调

我从零开始训练GoogLeNet模型。但它并没有给我带来有希望的结果。

---

作为替代方案，我想在我的数据集上对GoogLeNet模型进行微调。有人知道我应该遵循哪些步骤吗

假设您正在尝试进行图像分类。以下是微调模型的步骤：

1.分类层 原始输出1000个类的预测值（它的

mum\u输出设置为1000）。您需要将其替换为具有适当
num\u输出的新层。替换分类层：

更改图层名称（以便从caffemodel文件读取原始权重时，不会与该图层的权重发生冲突）
将
num\u output
更改为要预测的正确输出类数
请注意，您需要更改所有分类图层。通常只有一个，但GoogLeNet碰巧有三个：，和
2.资料
您需要使用要微调的新标签创建一个新的训练数据集。例如，请参见如何创建lmdb数据集

3.您需要多大范围的微调？
微调模型时，可以训练所有模型的权重，也可以选择固定某些权重（通常是较低/较深层的过滤器），只训练最顶层的权重。这一选择取决于您，通常取决于可用的训练数据量（示例越多，您可以调整的权重就越多）。

每个层（包含可训练参数）都有
param{lr_mult:XX}
。该系数确定这些权重对SGD更新的敏感程度。设置
param{lr_mult:0}
意味着您固定此层的权重，并且在训练过程中不会更改这些权重。

相应地编辑您的
train_val.prototxt

4.经营咖啡馆
运行caffe列车
，但提供caffe模型重量作为初始重量：

~$ $CAFFE_ROOT/build/tools/caffe train -solver /path/to/solver.ptototxt -weights /path/to/orig_googlenet_weights.caffemodel 

与过去的手动功能相比，微调是一个非常有用的技巧，可以获得很好的精度。已经发布了一个使用Caffe微调Googlenet的好教程，所以我只想给出一些针对一般情况的微调建议和技巧

在大多数情况下，我们面临一个任务分类问题，新数据集（例如or）有以下四种常见情况：

新数据集很小，与原始数据集相似
新数据集很小，但与原始数据集不同（大多数情况下）
新数据集很大，与原始数据集相似
新数据集较大，但与原始数据集不同
在实践中，大多数情况下，我们没有足够的数据从头开始训练网络，但对于预先训练的模型可能已经足够了。不管我在上面提到什么样的情况，我们唯一需要关心的是，我们有足够的数据来训练CNN吗

如果是的话，我们可以从头开始训练CNN。然而，在实践中，从预先训练的模型初始化权重仍然是有益的

如果没有，我们需要检查数据是否与原始数据集非常不同？如果非常相似，我们可以微调完全连接的神经网络或。但是，如果它与原始数据集有很大不同，我们可能需要。
非常感谢您的回复。你能告诉我怎样才能得到预先训练过的GoogLeNet模型吗？我使用下面给出的链接下载了经过预培训的模型@AshutoshSingla在caffe模型zooI中做了精细的调整，但结果并不乐观。经过1000次迭代后，我只获得了50%的精度。我的训练数据集有3k个图像验证有1k个图像，评估有1k个图像。我将base_lr设置为0.001，max_itr设置为10000。这是正常的准确性还是我做错了什么？如果需要，我还可以分享我在文件中所做的更改@shai你有什么建议吗？@AshutoshSingla你得说得更具体些。如果你有新问题，你应该问。