caffe的finetuning是如何更新网络参数的

作者：朱坚升

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

来源：知乎

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

1、finetune的过程相当于继续训练，跟直接训练的区别是初始化的时候：

a. 直接训练是按照网络定义指定的方式初始化（如高斯随机初始化）

b. finetune是用你已经有的参数文件来初始化（就是之前训练好的caffemodel）

2、嗯，这个问题有两种情况：比如有4个全连接层A->B->C->D

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

}

}

finetuning实例
点击打开链接