caffe 学习之 Fine-tune

主要参考caffe官网教程：http://caffe.berkeleyvision.org/gathered/examples/finetune_flickr_style.html 以下对整个实验进行介绍：

Fine-tuning原理：所谓fine-tuning就是用别人训练好的模型，加上自己的数据，来训练新的模型。由于在自己的分类任务中很难拿到大量的训练数据，会导致所训练模型的准确率较低，同时还会导致过拟合和收敛性的问题产生。因此我们采用在较大的数据集上例如Imagenet上已经训练好的模型来训练（微调）我们的网络，具体在caffe上进行Fine-tuning分为如下几步：

（1）数据集准备

（2）定义net：train—val.prototxt

（3）定义solver：solver.prototxt

（4）在预训练的权重基础上进行训练

Imagenet数据集1000个类别，而我们要训练的Flickr数据集只有20个类别，因此我们通过修改prototxt文件中模型的最后一层的名字，来保证不与该文件中的层名字相同，在重新训练的过程中就会对参数进行重新初始化。

在caffe根目录下执行以下脚本，就可以下载包含2000张图片的数据集，同时将该数据集分为train和test两部分，并生成相应的标签文件：存放于目录data/flickr_style

我们需要已经在ImageNet上训练好的模型，可以通过以下脚本获取模型文件：

定义net

微调参数时，保存net的prototxt文件可以直接复制预训练时使用的train_val.prototxt（/models/bvlc_reference_caffenet）然后进行以下修改：

（1）修改TRAIN和TEST的data层（修改层名字+指定标签文件路径）

（2）修改output层（层名字/输出类别数目/10x参数学习速率）

（3）调整solver的参数配置，通常学习速率/步长/迭代次数都要适当减少

（4）启动训练，加载与训练模型的参数文件，在caffe根目录下执行以下脚本：