深度学习—— caffe下进行微调finetune

一、引言

一直以来就很纠结finetune，其意思就是已知别人已经训练好的的模型和网络结构，自己的数据较小，而任务基本相同，想在其基础之上进行训练成自己的模型，这样，弥补了自己数据量小的缺点，也即是微调。这样，要应用已训练好的模型进行初始化进行训练，并且应用其网络结构。

 

二、步骤

 1.准备数据，我们还用上面博客所提提供的五类数据，不过，要将32×32,修改成256×256以满足我们下面要使用的网络结构。

 

2.下载model参数

 可以直接在浏览器里输入地址下载，也可以运行脚本文件下载。下载地址为：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel

文件名称为：bvlc_reference_caffenet.caffemodel，文件大小为230M左右

将该模型保存于caffe/examples/下面新建立一目录testFinetune

 

，为了代码的统一，将这个caffemodel文件

 

3.下载均值文件

在终端执行下面脚本：

./data/ilsvrc12/get_ilsvrc_aux.sh

获得到均值文件：imagenet_mean.binaryproto

将其文件COPY至caffe/examples/下面新建立一目录testFinetune

 

4.COPY和修改网络配置文件和超参数文件，还有预测所使用文件

将caffe/models/bvlc_reference_caffenet下面的deploy.prototxt、solver.prototxt和train_val.prototxt三个文件COPY至caffe/examples/下面新建立一目录testFinetune,并修改

这个 和前面博客基本思想是一致的

 

这里就不再详述了。

 

5.训练，微调finetune，

这一步重要

在caffe目录下执行：

./build/tools/caffe train -solver examples/testFinetune/solver.prototxt -weights examples/testFinetune/bvlc_reference_caffenet.caffemodel -gpu 0

关键是-weights参数，是训练好的模型作参数进行初始化

训练效果非常好

6.预测

 

a.终端测试

在终端的caffe目录下执行：

python python/classify.py --print_results --model_def examples/testFinetune/deploy.prototxt --pretrained_model examples/testFinetune/my_mode_iter_5000.caffemodel.h5 --labels_file examples/testFinetune/mylabel.txt --center_only  examples/testFinetune/329.jpg foo

b.python代码测试

小结：

finetune效果确实极好！