caffe上手：修改已训练好的网络并训练模型

前面做好了lmdb和均值文件，下面以Googlenet为例修改网络并训练模型。

我们将caffe-master\models下的bvlc_googlenet文件夹复制到caffe-master\examples\imagenet下。（因为我们的lmdb和均值都在这里，放一起方便些）

打开train_val.txt，修改：

1.修改data层：

[plain] view
plain copy

 





layer {  

  name: "data"  

  type: "Data"  

  top: "data"  

  top: "label"  

  include {  

    phase: TRAIN  

  }  

  transform_param {  

    mirror: true  

    crop_size: 224  

    mean_file: "examples/imagenet/mydata_mean.binaryproto" #均值文件  

    #mean_value: 104 #这些注释掉  

    #mean_value: 117  

    #mean_value: 123  

  }  

  data_param {  

    source: "examples/imagenet/mydata_train_lmdb" #训练集的lmdb  

    batch_size: 32 #根据GPU修改  

    backend: LMDB  

  }  

}  

[plain] view
plain copy

 





layer {  

  name: "data"  

  type: "Data"  

  top: "data"  

  top: "label"  

  include {  

    phase: TEST  

  }  

  transform_param {  

    mirror: false  

    crop_size: 224  

    mean_file: "examples/imagenet/mydata_mean.binaryproto" #均值文件  

    #mean_value: 104  

    #mean_value: 117  

    #mean_value: 123  

  }  

  data_param {  

    source: "examples/imagenet/mydata_val_lmdb" #验证集lmdb  

    batch_size: 50 #和solver中的test_iter相乘约等于验证集大小  

    backend: LMDB  

  }  

}  

2.修改输出：

由于Googlenet有三个输出，所以改三个地方，其他网络一般只有一个输出，则改一个地方即可。

如果是微调，那么输出层的层名也要修改。（参数根据层名来初始化，由于输出改了，该层参数就不对应了，因此要改名）

[plain] view
plain copy

 





layer {  

  name: "loss1/classifier"  

  type: "InnerProduct"  

  bottom: "loss1/fc"  

  top: "loss1/classifier"  

  param {  

    lr_mult: 1  

    decay_mult: 1  

  }  

  param {  

    lr_mult: 2  

    decay_mult: 0  

  }  

  inner_product_param {  

    num_output: 1000 #改成你的数据集类别数  

    weight_filler {  

      type: "xavier"  

    }  

    bias_filler {  

      type: "constant"  

      value: 0  

    }  

  }  

}  

[plain] view
plain copy

 





layer {  

  name: "loss2/classifier"  

  type: "InnerProduct"  

  bottom: "loss2/fc"  

  top: "loss2/classifier"  

  param {  

    lr_mult: 1  

    decay_mult: 1  

  }  

  param {  

    lr_mult: 2  

    decay_mult: 0  

  }  

  inner_product_param {  

    num_output: 1000 #改成你的数据集类别数  

    weight_filler {  

      type: "xavier"  

    }  

    bias_filler {  

      type: "constant"  

      value: 0  

    }  

  }  

}  

[plain] view
plain copy

 





layer {  

  name: "loss3/classifier"  

  type: "InnerProduct"  

  bottom: "pool5/7x7_s1"  

  top: "loss3/classifier"  

  param {  

    lr_mult: 1  

    decay_mult: 1  

  }  

  param {  

    lr_mult: 2  

    decay_mult: 0  

  }  

  inner_product_param {  

    num_output: 1000 #改成你的数据集类别数  

    weight_filler {  

      type: "xavier"  

    }  

    bias_filler {  

      type: "constant"  

      value: 0  

    }  

  }  

}  

3.打开deploy.prototxt，修改：

[plain] view
plain copy

 





layer {  

  name: "loss3/classifier"  

  type: "InnerProduct"  

  bottom: "pool5/7x7_s1"  

  top: "loss3/classifier"  

  param {  

    lr_mult: 1  

    decay_mult: 1  

  }  

  param {  

    lr_mult: 2  

    decay_mult: 0  

  }  

  inner_product_param {  

    num_output: 1000 #改成你的数据集类别数  

    weight_filler {  

      type: "xavier"  

    }  

    bias_filler {  

      type: "constant"  

      value: 0  

    }  

  }  

}  

如果是微调，该层层名和train_val.prototxt修改一致。

接着，打开solver，修改：

[plain] view
plain copy

 





net: "examples/imagenet/bvlc_googlenet/train_val.prototxt" #路径不要错  

test_iter: 1000 #前面已说明该值  

test_interval: 4000 #迭代多少次测试一次  

test_initialization: false  

display: 40  

average_loss: 40  

base_lr: 0.01  

lr_policy: "step"  

stepsize: 320000 #迭代多少次改变一次学习率  

gamma: 0.96  

max_iter: 10000000 #迭代次数  

momentum: 0.9  

weight_decay: 0.0002  

snapshot: 40000  

snapshot_prefix: "examples/imagenet/bvlc_googlenet" #生成的caffemodel保存在imagenet下，形如bvlc_googlenet_iter_***.caffemodel  

solver_mode: GPU  

这时，我们回到caffe-master\examples\imagenet下，打开train_caffenet.sh，修改：

(如果是微调，在脚本里加入-weights **/**/**.caffemodel即可，即用来微调的caffemodel路径)

[plain] view
plain copy

 





#!/usr/bin/env sh  

  

./build/tools/caffe train \  

    -solver examples/imagenet/bvlc_googlenet/solver.prototxt -gpu 0  

（如果有多个GPU，可自行选择）
然后，在caffe-master下执行改脚本即可开始训练:$caffe-master ./examples/imagenet/train_caffenet.sh

训练得到的caffemodel就可以用来做图像分类了，此时，需要（1）得到的labels.txt，（2）得到的mydata_mean.binaryproto，（3）得到的caffemodel以及已经修改过的deploy.prototxt，共四个文件，具体过程看：http://blog.csdn.net/sinat_30071459/article/details/50974695