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：

 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
   }
 }

 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）

 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
     }
   }
 }

 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
     }
   }
 }

 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：

 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：

 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)

 #!/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