caffe fine tuning



     参考：  http://blog.csdn.net/xjz18298268521/article/details/53176152

 现在随着深度学习技术的迅速发展，深度学习技术在图像和语音方向的应用已经很成熟了。目前工程上应用深度学习一般源于数据的限制都是在ImageNet pre-trained model的基础上进行微调—fine-tune。由于ImageNet数以百万计带标签的训练集数据，使得如CaffeNet之类的预训练的模型具有非常强大的泛化能力，这些预训练的模型的中间层包含非常多一般性的视觉元素，我们只需要对他的后几层进行微调，在应用到我们的数据上，通常就可以得到非常好的结果。
　　微调的目的是使别人训练好的模型更适合自己的数据，因此，微调的数据一般都是适合自己应用的数据。但是，大牛建议，在微调是不要全部使用自己的数据，应该将自己的数据和原始训练数据混合在一起，并逐步增加自己的数据的比例，这样效果可能会好一些。

下面给出一个比较经典的微调策略的网站：
http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html

另外看了一篇博客记录微调的一些参数解释：

1. finetune的过程相当于继续训练，跟直接训练的区别是初始化的时候：
   　　直接训练是按照网络定义指定的方式初始化（如高斯随机初始化）；
   　　 finetune是用你已经有的参数文件来初始化（就是之前训练好的caffemodel）；
2. 这个问题有两种情况：比如有4个全连接层A->B->C->D
   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。
   　　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
   }

训练代码可以参考：

http://blog.csdn.net/sinat_26917383/article/details/54999868

end-to-end 完全训练：

end_to_end_net=style_net(train=True, learn_all=True)

style_solver_filename =solver(end_to_end_net,base_lr=base_lr)

style_solver = caffe.get_solver(style_solver_filename) 

weights = caffe_root +'models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel' 
assert os.path.exists(weights)
style_solver.net.copy_from(weights)

solvers = [('pretrained', style_solver)]
niter=200
loss, acc, weights =run_solvers(niter, solvers)