caffe-windows：finetune

http://blog.csdn.net/qq_26898461/article/details/50540801

http://blog.csdn.net/qq_26898461/article/details/50445392

index.py:爬虫下载百度图片

data_process.m:对数据进行预处理，挑出三通道数据，并改变数据到256*256大小。
原始数据文件： raw_data
转换完数据文件： data_example

train_test.m:对转换完的数据分成训练集和测试集并做标签
转换完数据文件： train_exampletest_example
标签文件：train_label.txt test_label.txt

convert.bat:转换为leveldb文件
转换完数据文件： train_lmdbtest_lmdb

需先下载：bvlc_reference_caffenet.caffemodel

solver.prototxt参数说明：

batchsize:每迭代一次，网络训练图片的数量，例如：如果你的batchsize=256，则你的网络每迭代一次，训练256张图片；则，如果你的总图片张数为1280000张，则要想将你所有的图片通过网络训练一次，则需要1280000/256=5000次迭代。

epoch：表示将所有图片在你的网络中训练一次所需要的迭代次数，如上面的例子：5000次；我们称之为  一代。所以如果你想要你的网络训练100代时，则你的总的迭代次数为max_iteration=5000*100=500000次；

max_iteration:网络的最大迭代次数如上面的500000次；同理，如果max_iteration=450000，则该网络被训练450000/5000=90代。

test_iter：表示测试的次数；比如，你的test阶段的batchsize=100，而你的测试数据为10000张图片，则你的测试次数为10000/100=100次；即，你的test_iter=100;

test_interval:表示你的网络迭代多少次才进行一次测试，你可以设置为网络训练完一代，就进行一次测试，比如前面的一代为5000次迭代时，你就可以设置test_interval=5000;

base_lr:表示基础学习率，在参数梯度下降优化的过程中，学习率会有所调整，而调整的策略就可通过lr_policy这个参数进行设置；

lr_policy：学习率的调整策略：

• - fixed:　　 保持base_lr不变.
• - step: 　　 如果设置为step,则还需要设置一个stepsize,  返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示当前的迭代次数
• - exp:   　　返回base_lr * gamma ^ iter， iter为当前迭代次数
• - inv:　　   如果设置为inv,还需要设置一个power, 返回base_lr * (1 + gamma * iter) ^ (- power)
• - multistep: 如果设置为multistep,则还需要设置一个stepvalue。这个参数和step很相似，step是均匀等间隔变化，而mult-
• step则是根据stepvalue值变化
• - poly: 　　 学习率进行多项式误差, 返回 base_lr (1 - iter/max_iter) ^ (power)
• - sigmoid:　 学习率进行sigmod衰减，返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))

momentum：表示上一次梯度更新的权重;

weight_decay:表示权重衰减，用于防止过拟合；

在solver.prototxt文件里修改net

test_iter

test_interval

修改train_val.prototxt里面的lr_mult

其他网络里面的修改成0.1,0.2；fc8里面修改成10,20；

根据已知的网络进行fine－tune

fine－tune的好处是可以利用别人预先调节好的网络，适当微调网络结构和参数就可以用于自己的应用。
注意事项：0.fine－tune的网络和之前网络结构应该基本一致，特别是输入，不然对应层参数个数不同，会报错
1.训练的时候加入 --weight 指定从哪个模型导入对应层的参数(根据名字)。
2.由于caffe是根据对应层的名字来寻找是否需要填充对应的参数，所以对于你需要导入参数的层，名字和原来网络保持不变，对于你需要自己调节的层，名字需要修改。
3.如果你修改了网络的结构( 比如由1000类分类改为28)，则对应层的名字需要改掉，不然会报错。
4.对于你要调节的层，学习率倍数lr_mult需要变大（10，20），其他层尽可能小；如果其他层不需要调节，可以置为0.