Machine learning 在GoogLeNet中修改Deploy.prototxt

我使用预先训练好的GoogLeNet，然后在我的数据集上对其进行微调，以解决二进制分类问题。验证数据集似乎给出了

的“loss3/top1”

98.5%。但当我在评估数据集上评估性能时，它给了我50%的准确性。无论我在train_val.prototxt中做了什么更改，我在deploy.prototxt中做了相同的更改，我不确定在这些行中应该做什么更改

name: "GoogleNet"
layer {
  name: "data"
  type: "input"
  top: "data"
  input_param { shape: { dim:10 dim:3 dim:224 dim:224 } }
}

---

有什么建议吗

您无需在

deploy.prototxt

*中进一步更改任何内容，只需在向网络提供数据的方式上进行更改。您必须以转换培训/验证图像的相同方式转换评估图像。
例如，请参见如何通过正确初始化的

caffe.io.Transformer

类放置输入图像

prototxt中的

“Input”

层仅仅是caffe根据形状为10-by-3-by-224-by-224的输入blob分配内存的声明

---

---

*当然，您必须验证

train_val.prototxt

和

deploy.prototxt

是否完全相同（除了输入层和丢失层之外）：这包括确保图层名与caffe使用图层名将“caffemodel”文件中的权重指定给其加载的实际参数时相同。名称不匹配会导致caffe对某些层使用随机权重。

请不要发布文本的屏幕截图，而是复制粘贴文本本身，这样搜索引擎就可以更好地索引此站点上的问题/答案。我很高兴您终于解决了这个问题。在此过程中，您在此处发布了几个问题，这些问题现在似乎“离题”或与此答案重复。请考虑一些“清理”……我使用这里给出的脚本文件[Link ]（）来评估我的评估图像的性能，并且它精确地像我训练和验证一样以同样的方式变换图像。但性能仍然没有任何改善。关于部署文件，我还有一个困惑，我是否需要更改我在train_val.txt中使用的层名称？如果我将图像重新缩放到256X256，那么它不应该是256，而不是224。@AshutoshSingla有缩放，然后有裁剪。严格来说，您需要缩放到256，然后裁剪到224。您必须更改图层名称以匹配

train\u val.prototxt

：否则caffe将不会加载这些图层的已训练参数。有关caffe无法加载参数的图层，请参阅运行时日志。感谢您的帮助。在deploy.prototxt中更改层名称后，迭代1000的准确率现在接近98%。