本次实验采用Google的inception-v3 ,但是去掉了其中的BN层,将其中的N*1,1*N的卷积核替换回N*N,然后分解成3*3的卷积核。前段时间自己的框架上跑,发现accuracy上不来,并且val set 的loss降不下来。现在用caffe来测试一次,看其accuracy能到什么水平,记录其训练过程。(2018-1-3-9)
———————————————(1-5-10)——————————————
本次测试采用gtx1070显卡,学习率下降方式采取和作者论文里介绍的一样的方式,不同的是将RMSProp下降方式改成了SGD。在经过7个epochs后,准确率达到了0.5057,耗时48小时左右(log被冲掉了(꒦_꒦) )。已经接近在自己框架上跑出来极限了?(这个问号是说,以前的网络文件我写有错误,所以没有好的表现,在更改正确之后,出现了“高原反应”。学习率没变,竟然出现了高原反应,极其诡异)。或者说是因为没有加BN层?
另外,在另外一台服务器上,使用caffe框架,GoogLeNet 训练ImageNet,在40小时左右(时间没记录,以后注意,手写一份时间记录)。在19个epochs后,准确率达到0.538(在1070显卡、自己的框架上最后大约达到0.6左右)。