Python Caffe网络损耗很低，但测试精度很差

我对咖啡馆有些陌生，我有一些奇怪的行为。我试图在bvlc_reference_caffenet上使用微调来完成OCR任务

我已经使用了他们的预训练网络，将最后一个FC层更改为我拥有的输出类的数量，并重新训练。经过几千次迭代后，我得到了约0.001的丢失率，当网络测试时，准确率超过90%。这就是说，当我试图独自在数据上运行我的网络时，我得到了糟糕的结果，不超过7%或8%

我用来运行网络的代码是：

[imports]

net = caffe.Classifier('bvlc_reference_caffenet/deploy.prototxt', 'bvlc_reference_caffenet/caffenet_train_iter_28000.caffemodel',  
                       image_dims=(227, 227, 1))

input_image = caffe.io.load_image('/Training_Processed/6/0.png')    
prediction = net.predict([input_image])  # predict takes any number of images, and formats them for the Caffe net automatically    
cls = prediction[0].argmax()

有没有想过为什么这次的表现会如此糟糕

谢谢

注：一些附加信息，可能有用，也可能没用。当按如下所示进行分类时，分类器似乎确实喜欢某些类。即使我有一个101类的问题，它似乎只分配了最多15个不同的类

---

PPS：我也相当确定我没有穿过头。我一直在用快照测试这一点，它们都显示出同样糟糕的结果。

您发布的模型测试代码似乎遗漏了一些组件：

看起来你没有减去图像的平均值

您没有将频道从RGB交换到BGR

您没有将输入缩放到[0..255]范围

查看类似的

caffe.Classifier

实例，您可能会看到如下内容：

net = caffe.Classifier('bvlc_reference_caffenet/deploy.prototxt',
                       'bvlc_reference_caffenet/caffenet_train_iter_28000.caffemodel', 
                       mean = NP.load( 'ilsvrc_2012_mean.npy' ),
                       input_scale=1.0, raw_scale=255,
                       channel_swap=(2,1,0),
                       image_dims=(227, 227, 1))

测试中输入转换与训练中输入转换相同是至关重要的