Python 基于ImageNet子集的Chainer-Train-GoogLeNet

我正在学习使用深度学习框架，但在ImageNet上培训Google时遇到了麻烦

我使用给定的名称，并使用以下名称将其命名：

python2 train_imagenet.py
    --arch googlenet
    --batchsize 64
    --epoch 10
    --gpu 0
    --mean ~/data/imagenet/ILSVRC2012_devkit_t12/data/mean_RGB_256x256.npy
    --out output/
    --root ~/data/imagenet/dataset_sample_256x256/
    --val_batchsize 8
    ~/data/imagenet/lists/train_files_sample.txt
    ~/data/imagenet/lists/val_files_sample.txt

我使用了一个由5000幅图像组成的ImageNet子集，每幅图像的大小都是256x256，并在需要时转换为RGB

如下面的日志所示，我的损失甚至没有丝毫变化。当我记录预测的类时，它总是在几次迭代后结束，预测总是同一个类（但是当我再次运行它时，这个类会发生变化）。我仔细检查了我的数据集，一切看起来都很好，我使用ImageNet标签ID，我的txt文件包含成对的路径和标签，每行一个

epoch       iteration   main/loss   validation/main/loss  main/accuracy validation/main/accuracy  lr        
1           100         11.0533                           0.00015625                               0.01        
2           200         11.0533                           0.00078125                               0.01        
3           300         11.0533                           0.00046875                               0.01        
5           400         11.0533                           0.0009375                                0.01        
6           500         11.0531                           0.000625                                 0.01        
7           600         11.0532                           0.00078125                               0.01        
8           700         11.0533                           0.0009375                                0.01        

由于这是官方回购协议的代码，我猜我的子集有问题。我的预处理正确吗？5000美元还不够（不是为了达到最先进的水平，而是为了真正学到一些东西）

---

谢谢你告诉我什么是错误的

googlenet 224x224的输入不是256x256吗？你是对的，但是他们的代码使用了继承自

chainer.dataset.DatasetMixin

的类进行数据预处理（在224x224中缩放，居中/减少…）。文件头中的先决条件要求扩展到256x256，因此我坚持使用它