Caffe训练过程

写在前面（干货文章）：

1.caffe入门学习

笔记：
1、直接训练法

   #!/usr/bin/env sh
    TOOLS=../cafferead/build/tools
    $TOOLS/caffe train --solver=gender_solver.prorotxt  -gpu all  #加入 -gpu 选项

-gpu 可以选择gpu的id号，如果是 -gpu all表示启用所有的GPU进行训练。

2、采用funing-tuning 训练法

$TOOLS/caffe train --solver=gender_solver.prorotxt -weights gender_net.caffemodel #加入-weights

加入-weights，这个功能很好用，也经常会用到，因为现在的CNN相关的文献，很多都是在已有的模型基础上，进行fine-tuning，因为我们大部分人都缺少训练数据，不像谷歌、百度这些土豪公司，有很多人专门做数据标注，对于小公司而言，往往缺少标注好的训练数据。因此我们一般使用fine-tuning的方法，在少量数据的情况下，尽可能的提高精度。我们可以使用：-weights 选项，利用已有的模型训练好的参数，作为初始值，进行继续训练。

使用现有模型存档对网络进行fine_tune的时候，由于改变了输出的number，最后一层必须重新命名，目的是不复用最后一层的存档参数。和tensorflow不太一样的时候，如果最后一层的参数数量不一致，训练时不会抛出异常，居然可以正常运行，然后。。。收敛只是梦一场。

例：

$ /usr/bin/caffe train  
-solver=./solver.prototxt 
-weights=./snaps/simpleconv1012_iter_10000.caffemodel 
2>&1 |tee ./snaps/FinetuneV1_log.txt

2>&1 |tee ./snaps/FinetuneV1_log.txt 将终端的log输出到txt