基于卷积神经网络的物体分类识别（三）---模型微调和优化

1.学会使用.caffemodel and .solverstate进行恢复训练

参考博客：https://blog.csdn.net/yh1226/article/details/85772198
博客中介绍了两种方法，一种是调用.solverstate文件，另一种是调用.caffemodel文件，这种事完全按照新的solver.prototxt方案进行训练，权重就是借用之前的权重。都差不多吧，目前。目前知道的，这两个模型文件的作用，断点续训，模型微调，和做测试用这三总用途。

2.学会利用训练好的模型对实际图片进行测试，要循环使用，进一步要读取视频帧进行测试。

参考博客:caffe—测试模型分类结果并输出（python ）
生成deploy文件用于测试，其实这个就是建议你手动修改，主要就是把train_test.prototxt文件头和尾增删一部分就可以了。
参考博客：https://www.cnblogs.com/k7k8k91/p/7806232.html

3.学习看看能不能输出测试集预测的标签

做统计看看那些种类那些图片容易出现误判，进而优化训练集提高学习效率。

4.Code

# -*- coding: utf-8 -*

import numpy as np
import matplotlib.pyplot as plt

import sys
caffe_root = '/media/xxxxx/Linux-doc/xxx/caffe/'
sys.path.insert(0, caffe_root + 'python')
import caffe

import os
if os.path.isfile(caffe_root + 'models/animal_classifier/the_resnet_18_iter_10000.caffemodel'):
    print 'CaffeNet found.'
else:
    print 'Not found'

deploy = caffe_root + 'models/animal_classifier/deploy.prototxt'
caffemodel = caffe_root