caffe上手：修改已训练好的网络并训练模型

前面做好了lmdb和均值文件，下面以Googlenet为例修改网络并训练模型。

我们将caffe-master\models下的bvlc_googlenet文件夹复制到caffe-master\examples\imagenet下。（因为我们的lmdb和均值都在这里，放一起方便些）

打开train_val.txt，修改：

1.修改data层：

[plain] view plain copy

 

1. layer {  
2.   name: "data"  
3.   type: "Data"  
4.   top: "data"  
5.   top: "label"  
6.   include {  
7.     phase: TRAIN  
8.   }  
9.   transform_param {  
10.     mirror: true  
11.     crop_size: 224  
12.     mean_file: "examples/imagenet/mydata_mean.binaryproto" #均值文件  
13.     #mean_value: 104 #这些注释掉  
14.     #mean_value: 117  
15.     #mean_value: 123  
16.   }  
17.   data_param {  
18.     source: "examples/imagenet/mydata_train_lmdb" #训练集的lmdb  
19.     batch_size: 32 #根据GPU修改  
20.     backend: LMDB  
21.   }  
22. }  

[plain] view plain copy

 

1. layer {  
2.   name: "data"  
3.   type: "Data"  
4.   top: "data"  
5.   top: "label"  
6.   include {  
7.     phase: TEST  
8.   }  
9.   transform_param {  
10.     mirror: false  
11.     crop_size: 224  
12.     mean_file: "examples/imagenet/mydata_mean.binaryproto" #均值文件  
13.     #mean_value: 104  
14.     #mean_value: 117  
15.     #mean_value: 123  
16.   }  
17.   data_param {  
18.     source: "examples/imagenet/mydata_val_lmdb" #验证集lmdb  
19.     batch_size: 50 #和solver中的test_iter相乘约等于验证集大小  
20.     backend: LMDB  
21.   }  
22. }  

2.修改输出：

由于Googlenet有三个输出，所以改三个地方，其他网络一般只有一个输出，则改一个地方即可。

如果是微调，那么输出层的层名也要修改。（参数根据层名来初始化，由于输出改了，该层参数就不对应了，因此要改名）

[plain] view plain copy

 

1. layer {  
2.   name: "loss1/classifier"  
3.   type: "InnerProduct"  
4.   bottom: "loss1/fc"  
5.   top: "loss1/classifier"  
6.   param {  
7.     lr_mult: 1  
8.     decay_mult: 1  
9.   }  
10.   param {  
11.     lr_mult: 2  
12.     decay_mult: 0  
13.   }  
14.   inner_product_param {  
15.     num_output: 1000 #改成你的数据集类别数  
16.     weight_filler {  
17.       type: "xavier"  
18.     }  
19.     bias_filler {  
20.       type: "constant"  
21.       value: 0  
22.     }  
23.   }  
24. }  

[plain] view plain copy

 

1. layer {  
2.   name: "loss2/classifier"  
3.   type: "InnerProduct"  
4.   bottom: "loss2/fc"  
5.   top: "loss2/classifier"  
6.   param {  
7.     lr_mult: 1  
8.     decay_mult: 1  
9.   }  
10.   param {  
11.     lr_mult: 2  
12.     decay_mult: 0  
13.   }  
14.   inner_product_param {  
15.     num_output: 1000 #改成你的数据集类别数  
16.     weight_filler {  
17.       type: "xavier"  
18.     }  
19.     bias_filler {  
20.       type: "constant"  
21.       value: 0  
22.     }  
23.   }  
24. }  

[plain] view plain copy

 

1. layer {  
2.   name: "loss3/classifier"  
3.   type: "InnerProduct"  
4.   bottom: "pool5/7x7_s1"  
5.   top: "loss3/classifier"  
6.   param {  
7.     lr_mult: 1  
8.     decay_mult: 1  
9.   }  
10.   param {  
11.     lr_mult: 2  
12.     decay_mult: 0  
13.   }  
14.   inner_product_param {  
15.     num_output: 1000 #改成你的数据集类别数  
16.     weight_filler {  
17.       type: "xavier"  
18.     }  
19.     bias_filler {  
20.       type: "constant"  
21.       value: 0  
22.     }  
23.   }  
24. }  

3.打开deploy.prototxt，修改：

[plain] view plain copy

 

1. layer {  
2.   name: "loss3/classifier"  
3.   type: "InnerProduct"  
4.   bottom: "pool5/7x7_s1"  
5.   top: "loss3/classifier"  
6.   param {  
7.     lr_mult: 1  
8.     decay_mult: 1  
9.   }  
10.   param {  
11.     lr_mult: 2  
12.     decay_mult: 0  
13.   }  
14.   inner_product_param {  
15.     num_output: 1000 #改成你的数据集类别数  
16.     weight_filler {  
17.       type: "xavier"  
18.     }  
19.     bias_filler {  
20.       type: "constant"  
21.       value: 0  
22.     }  
23.   }  
24. }  

如果是微调，该层层名和train_val.prototxt修改一致。

接着，打开solver，修改：

[plain] view plain copy

 

1. net: "examples/imagenet/bvlc_googlenet/train_val.prototxt" #路径不要错  
2. test_iter: 1000 #前面已说明该值  
3. test_interval: 4000 #迭代多少次测试一次  
4. test_initialization: false  
5. display: 40  
6. average_loss: 40  
7. base_lr: 0.01  
8. lr_policy: "step"  
9. stepsize: 320000 #迭代多少次改变一次学习率  
10. gamma: 0.96  
11. max_iter: 10000000 #迭代次数  
12. momentum: 0.9  
13. weight_decay: 0.0002  
14. snapshot: 40000  
15. snapshot_prefix: "examples/imagenet/bvlc_googlenet" #生成的caffemodel保存在imagenet下，形如bvlc_googlenet_iter_***.caffemodel  
16. solver_mode: GPU  

这时，我们回到caffe-master\examples\imagenet下，打开train_caffenet.sh，修改：

(如果是微调，在脚本里加入-weights **/**/**.caffemodel即可，即用来微调的caffemodel路径)

[plain] view plain copy

 

1. #!/usr/bin/env sh  
2.   
3. ./build/tools/caffe train \  
4.     -solver examples/imagenet/bvlc_googlenet/solver.prototxt -gpu 0  

（如果有多个GPU，可自行选择）
然后，在caffe-master下执行改脚本即可开始训练:$caffe-master ./examples/imagenet/train_caffenet.sh

训练得到的caffemodel就可以用来做图像分类了，此时，需要（1）得到的labels.txt，（2）得到的mydata_mean.binaryproto，（3）得到的caffemodel以及已经修改过的deploy.prototxt，共四个文件，具体过程看：http://blog.csdn.net/sinat_30071459/article/details/50974695