caffe训练cnn调参
来源:互联网 发布:万网域名whois 编辑:程序博客网 时间:2024/05/18 02:53
目前用过的cnn调参方法都是降低学习率,并且在降低的时候是一点点降低。
1.来自知乎上的回答:
链接:https://www.zhihu.com/question/29901947/answer/46027216
如果你不求state of the art,0.0x的learning rate,0.9x的momentum (1 <= x <= 5),再加少量learning rate decay就可以开始了,还有别忘了一定要加dropout。其他都不用管。
如果你要state of the art performance,直接去找别人做的最好的。
如果你要超越state of the art。。。那问别人也没用,只有自己研究新方法
2.更改num_out以后,使用自己的数据集进行训练,网络中各层的参数都会更新。如果只想更新某一层的参数的做法如下回答:
链接:https://www.zhihu.com/question/35754716/answer/66561128
a. 你希望C层的参数不会改变,C前面的AB层的参数也不会改变,这种情况也就是D层的梯度不往前反向传播到D层的输入blob(也就是C层的输出blob 没有得到梯度),你可以通过设置D层的propagate_down为false来做到。
propagate_down的数量与输入blob的数量相同,假如你某个层有2个输入blob,那么你应该在该layer的Param里面写上两行:
propagate_down : 0 # 第1个输入blob不会得到反向传播的梯度
propagate_down : 0 # 第2个输入blob不会得到反向传播的梯度
这样的话,你这个layer的梯度就不会反向传播啦,前面的所有layer的参数也就不会改变了
b. 你希望C层的参数不会改变,但是C前面的AB层的参数会改变,这种情况,只是固定了C层的参数,C层得到的梯度依然会反向传播给前面的B层。只需要将对应的参数blob的学习率调整为0:
你在layer里面加上param { lr_mult: 0 }就可以了,比如全连接层里面:
layer {
type: “InnerProduct”
param { # 对应第1个参数blob的配置,也就是全连接层的参数矩阵的配置
lr_mult: 0 # 学习率为0,其他参数可以看caffe.proto里面的ParamSpec这个类型
}
param { # 对应第2个参数blob的配置,也就是全连接层的偏置项的配置
lr_mult: 0 # 学习率为0
}
}
- caffe训练cnn调参
- 使用GPU在caffe上进行CNN训练
- 使用GPU在caffe上进行CNN训练
- CNN+caffe学习4:自己训练网络全过程
- 自己定义CNN网络模型并使用caffe训练
- caffe训练CNN时,loss不收敛原因分析
- CNN训练
- caffe训练
- caffe(6) 训练自己的CNN网络—图像数据转换成lmdb文件
- caffe(7) 训练自己的CNN网络—基于自己建立的数据集
- Caffe (CNN, deep learning )
- CNN之Caffe配置
- CNN之Caffe配置
- Caffe CNN特征可视化
- Caffe CNN特征可视化
- Caffe CNN特征可视化
- Caffe CNN特征可视化
- caffe(四) -------------CNN
- ffmpeg---命令分组中几个关键结构体的关系
- 这是一篇测试博客,linux服务器搭建
- iOS项目中使用OpenSSL库
- Git代码管理的使用流程
- [Android]安全第三步,ARM寄存器
- caffe训练cnn调参
- Jmter基础(三)--HTTP Request Defaults(HTTP的默认值)
- 接口测试总结
- PHP第二天
- mysql按年,季度,月,周,时间统计数据
- 电影评分预测
- 第2章 基本脚本编译------------(重定向输入输出与数学计算)
- Java 集合框架
- try/catch中有return语句finally是否被执行,什么时候执行?