基于caffe的车型识别（一）——caffe预备知识

前言

GoogleNet（inception）适合深层次大量分类，大量数据的训练，权值很多，类别太少会出现过拟合

机器学习基础知识

优良指标

1. AP、mAP：分类评价指标—AP，mAP

具体Caffe使用

deploy.prototxt文件---------caffe的模型描述文件

“data"和"ImageData”

• data：传入的文件格式为已经制作好的LMDB格式 backend:lmdb就是指使用这种格式

• ImageData：传入的图片文件就可以

  InnerProduct---------全连接层，全连接层顶多为100*class，否则过拟合
  Dropout--------降低过拟合

solver.prototxt---------超参数文件

最后一个Output——class（分类）的个数

loss（误差）会越来越小，若出现问题，就换一个优化策略

Finetune——迁移学习（微调网络）

deploy.prototxt主要调输入格式和最后一层
solver.prototxt主要调以下

net: "models/bvlc_reference_caffenet/train_val.prototxt"    %网络模型的描述文件
test_iter: 1000     #测试总数量÷每批的数量
test_interval: 1000 #训练1000此测试一次
base_lr: 0.1        #学习率
lr_policy: "step"
gamma: 0.1
stepsize: 1000      #1000次降低学习率到0.01，2000次到0.001……
display: 50         #50次显示一次
max_iter: 5000      #迭代次数GPU>>5000次
momentum: 0.9
weight_decay: 0.0005
snapshot: 2500      #保存的快照，或者说5000次进行一次备份
snapshot_prefix: "models/bvlc_reference_caffenet/caffenet_train"    %生成的模型文件
solver_mode: GPU

#出现loss不减少时使用另一个优化策略
#type:"AdaDelta"
#delta :1e-6

" ^ "表示链接（和Matlab中的strcat一样）

Caffe的小技巧

Snapshot的使用

Snapshot简介：保存已经训练的参数（例如断电的情况)

snapshot: 2500      #保存的快照，或者说5000次进行一次备份
snapshot_prefix: "models/bvlc_reference_caffenet/caffenet_train"    %生成的模型文件

画出网络结构图

使用的例子：GoogleNet

• 法一：将GoogleNet的网络描述文件deploy.prototxt复制粘贴到网站http://ethereon.github.io/netscope/#/editor然后shift+Enter执行
• 法二：找到caffe-windows\caffe\python\draw_net.py
  • python执行draw_net.py
  • 第一个参数：–rankdir TB ——TB表示TOP到BOTTOM。或者使用LR，从左到右。
  • 第二个参数：网络结构描述文件的路径
  • 第三个参数：网络图的输出路径
  • 比如：python E:\Caffe\caffe-windows\python\draw_net.py --rankdir TB E:\Caffe\caffewindows\examples\mnist\lenet_train_test.prototxt E:\Caffe\caffe-windows\examples\mnist\draw\net\mnist.png