caffe團隊用imagenet圖片進行訓練，迭代30多萬次，訓練出來一個model。這個model將圖片分為1000類，應該是目前為止最好的圖片分類model了。

假設(shè)我現(xiàn)在有一些自己的圖片想進行分類，但樣本量太小，可能只有幾百張，而一般深度學習都要求樣本量在1萬以上，因此訓練出來的model精度太低，根本用不上，那怎么辦呢？

那就用caffe團隊提供給我們的model吧。

因為訓練好的model里面存放的就是一些參數(shù)，因此我們實際上就是把別人預先訓練好的參數(shù)，拿來作為我們的初始化參數(shù)，而不需要再去隨機初始化了。圖片的整個訓練過程，說白了就是將初始化參數(shù)不斷更新到最優(yōu)的參數(shù)的一個過程，既然這個過程別人已經(jīng)幫我們做了，而且比我們做得更好，那為什么不用他們的成果呢？

使用別人訓練好的參數(shù)，必須有一個前提，那就是必須和別人用同一個network，因為參數(shù)是根據(jù)network而來的。當然，最后一層，我們是可以修改的，因為我們的數(shù)據(jù)可能并沒有1000類，而只有幾類。我們把最后一層的輸出類別改一下，然后把層的名稱改一下就可以了。最后用別人的參數(shù)、修改后的network和我們自己的數(shù)據(jù)，再進行訓練，使得參數(shù)適應我們的數(shù)據(jù)，這樣一個過程，通常稱之為微調(diào)（fine tuning).

既然前兩篇文章我們已經(jīng)講過使用digits來進行訓練和可視化，這樣一個神器怎么能不使用呢？因此本文以此工具為例，講解整個微調(diào)訓練過程。

一、下載model參數(shù)

可以直接在瀏覽器里輸入地址下載，也可以運行腳本文件下載。下載地址為：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel

文件名稱為：bvlc_reference_caffenet.caffemodel，文件大小為230M左右，為了代碼的統(tǒng)一，將這個caffemodel文件下載到caffe根目錄下的?models/bvlc_reference_caffenet/ 文件夾下面。也可以運行腳本文件進行下載：

# sudo ./scripts/download_model_binary.py models/bvlc_reference_caffenet

?二、準備數(shù)據(jù)

如果有自己的數(shù)據(jù)最好，如果沒有，可以下載我的練習數(shù)據(jù)：http://pan.baidu.com/s/1MotUe

這些數(shù)據(jù)共有500張圖片，分為大巴車、恐龍、大象、鮮花和馬五個類，每個類100張。編號分別以3，4，5，6，7開頭，各為一類。我從其中每類選出20張作為測試，其余80張作為訓練。因此最終訓練圖片400張（放在train文件夾內(nèi)，每個類一個子文件夾），測試圖片100張（放在test文件夾內(nèi)，每個類一個子文件夾）。

將圖片下載下來后解壓，放在一個文件夾內(nèi)。比如我在當前用戶根目錄下創(chuàng)建了一個data文件夾，專門用來存放數(shù)據(jù)，因此我的訓練圖片路徑為：/home/xxx/data/re/train

打開瀏覽器，運行digits，如果沒有這個工具的，推薦安裝，真的是學習caffe的神器。安裝及使用可參見我的前兩篇文章：Caffe學習系列(21)：caffe圖形化操作工具digits的安裝與運行

新建一個classification dataset,設(shè)置如下圖：

下面圖片格式選為jpg, 為dataset取一個名字，就開始轉(zhuǎn)換吧。結(jié)果如圖：

三、設(shè)置model

回到digits根目錄，新建一個classification model， 選中你的dataset, 開始設(shè)置最重要的network.

?

caffenet的網(wǎng)絡(luò)配置文件，放在 caffe/models/bvlc_reference_caffenet/ 這個文件夾里面，名字叫train_val.prototxt。打開這個文件，將里面的內(nèi)容復制到上圖的Custom Network文本框里，然后進行修改，主要修改這幾個地方：

1、修改train階段的data層為：

layer {name: "data"type: "Data"top: "data"top: "label"include {phase: TRAIN}transform_param {mirror: truecrop_size: 227} }

即把均值文件（mean_file)、數(shù)據(jù)源文件(source)、批次大小(batch_size)和數(shù)據(jù)源格式（backend)這四項都刪除了。因為這四項系統(tǒng)會根據(jù)dataset和頁面左邊“solver options"的設(shè)置自動生成。

2、修改test階段的data層：

layer {name: "data"type: "Data"top: "data"top: "label"include {phase: TEST}transform_param {mirror: falsecrop_size: 227} }

和上面一樣，也是刪除那些項。

3、修改最后一個全連接層（fc8)：

layer {name: "fc8-re" #原來為"fc8"type: "InnerProduct"bottom: "fc7"top: "fc8"param {lr_mult: 1.0decay_mult: 1.0}param {lr_mult: 2.0decay_mult: 0.0}inner_product_param {num_output: 5 #原來為"1000" weight_filler {type: "gaussian"std: 0.01}bias_filler {type: "constant"value: 0.0}} }

看注釋的地方，就只有兩個地方修改，其它不變。

設(shè)置好后，就可以開始微調(diào)了(fine tuning).

訓練結(jié)果就是一個新的model，可以用來單張圖片和多張圖片測試。具體測試方法前一篇文章已講過，在此就不重復了。

在此，將別人訓練好的model用到我們自己的圖片分類上，整個微調(diào)過程就是這樣了。如果你不用digits，而直接用命令操作，那就更簡單，只需要修改一個train_val.prototxt的配置文件就可以了，其它都是一樣的操作。

總結(jié)

以上是生活随笔為你收集整理的Caffe学习系列(23)：如何将别人训练好的model用到自己的数据上的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。