caffe训练cnn调参

目前用过的cnn调参方法都是降低学习率，并且在降低的时候是一点点降低。

1.来自知乎上的回答：

链接：https://www.zhihu.com/question/29901947/answer/46027216

如果你不求state of the art，0.0x的learning rate，0.9x的momentum (1 <= x <= 5)，再加少量learning rate decay就可以开始了，还有别忘了一定要加dropout。其他都不用管。

如果你要state of the art performance，直接去找别人做的最好的。

如果你要超越state of the art。。。那问别人也没用，只有自己研究新方法

2.更改num_out以后，使用自己的数据集进行训练，网络中各层的参数都会更新。如果只想更新某一层的参数的做法如下回答：

链接：https://www.zhihu.com/question/35754716/answer/66561128

a. 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

b. 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

}

}