squeezenet 训练分类网络

各种教学视频或文档资料 +QQ：635992897

近期需要做移动端深度学习项目，首先调查了一下适合移动端的深度学习网络，常用的主要有：SqueezeNet、MobileNet、ShuffleNet、Xception。

几种网络原理及性能对比详见：

https://blog.csdn.net/Uwr44UOuQcNsUQb60zk2/article/details/79019191

综合评估SqueezeNet体量小运算速度较快，本文选择SqueezeNet作为分类网络

 

1. git clone https://github.com/DeepScale/SqueezeNet到caffe/examples下(笔者发现本Git地址网络结构与标准网络不同可能会影响测试集准确率，后面文章会说明此处)
2. 标记分类样本，将训练、测试照片分别放在SqueezeNet下子目录train和val下，
   创建train.txt和test.txt，格式如下：
   照片名 分类label
3. 生成训练和测试数据集，编辑shell脚本createTrainLmdb.sh:
   #!/bin/bash
    
   ~/caffe/build/tools/convert_imageset –resize_height=227 –resize_width=227 –shuffle  ./train/  ./train.txt  ./lmdb/train_lmdb45
    
   createValLmdb.sh:
    
   #!/bin/bash
    
   ~/caffe/build/tools/convert_imageset –resize_height=227 –resize_width=227 –shuffle  ./val/  ./val.txt  ./lmdb/val_lmdb45
    
4. 准备训练，使用SqueezeNet_v1.1目录网络训练，train_val.prototxt为训练模型文件，deploy.prototxt为测试模型文件，solver.prototxt为训练参数配置文件。
   修改train_val.prototxt，指定自己的训练集路径和batch_size（根据自己的GPU能力设置）
   data_param {
       source: "自己的绝对路径/lmdb/train_lmdb45"
       batch_size: 16
       backend: LMDB
     }
    data_param {
       source: "自己的绝对路径/lmdb/val_lmdb45"
       batch_size: 16 #not *iter_size
       backend: LMDB
     }

      修改train_val.prototxt最后一层卷积网络名称conv10为conv11（所有的conv10都需要改成conv11，因为我们采用imagenet的模型初始化当前模型，为了让模型初始化与imagenet模型相同的层），将conv10 output_num 1000改成2，top 5改成2。将deploy.prototxt中相同的参数做同样的修改。

调整solver.prototxt中的参数如学习率、迭代次数、Snapshot等其中学习率初步可以试下0.001

 

1. 编辑shell脚本train.sh
   #!/bin/bash
   ~/caffe/build/tools/caffe train -solver SqueezeNet/SqueezeNet_v1.1/solver.prototxt -weights SqueezeNet/SqueezeNet_v1.1/squeezenet_v1.1.caffemodel  -gpu 0
    
   执行./train.sh开始训练
2. 优化方法：用SSD提取目标保存目标ROI图片做训练提高精度