Neural network caffe中自身数据的精确度极低

我正在尝试用我自己的数据训练一个网络。整个数据集由256x256 jpeg图像组成。共有236个对象需要分类。训练集和验证集分别有~247K和~61K图像。我使用

$CAFFE\u ROOT/build/tools/convert\u imageset

实用程序从它们生成了LMDB

首先，我使用caffenet的拓扑结构作为我的模型。在培训期间，我遇到了一条奇怪的消息“数据层预取队列为空”，这是我以前从未见过的

此外，最初，网络的精度异常（~0.00378378），在接下来的1000次迭代中，它达到了最大值~0.01，并且没有进一步增加（只是波动）

我做错了什么，如何提高准确性

运行时日志：

型号：

解算器：

---

另外，我正在AWS上使用最新版本的Caffe、Ubuntu服务器14.04 LTS和g2.2xlarge instance。

尝试将所有

“ReLU”

激活替换为

“PReLU”

，速度稍慢，但如果从头开始，效果会更好。此外，您可以尝试在

solver.prototxt

文件中设置

debug\u info:true

。这听起来很像超参数，尤其是学习速率。您可以使用更少的迭代进行实验，直到得到性能良好的训练错误。请参阅以澄清“数据层预回迁队列为空”部分，请参阅此处：这意味着此消息与您的主要问题没有直接关系。