我从头开始训练了GoogLeNet模型，但结果并不理想。
作为替代方案，我想在我的数据集上对GoogLeNet模型进行微调。有人知道我应该遵循哪些步骤吗？
回答：
假设你正在尝试进行图像分类。以下是微调模型的步骤：
1. 分类层
原始的分类层"loss3/classifier"输出1000个类别的预测（它的num_output设置为1000）。你需要用一个新的层来替换它，并设置适当的num_output。替换分类层的步骤如下：
- 更改层的名称（这样在你从caffemodel文件读取原始权重时，就不会与此层的权重发生冲突）。
- 将
num_output更改为你试图预测的输出类别的正确数量。 - 请注意，你需要更改所有分类层。通常只有一个，但GoogLeNet恰好有三个：
"loss1/classifier"，"loss2/classifier"和"loss3/classifier"。
2. 数据
你需要制作一个新的训练数据集，包含你想要微调的新标签。例如，参考这篇帖子了解如何制作lmdb数据集。
3. 你想要进行多大程度的微调？
在微调模型时，你可以训练所有模型的权重，或者选择固定某些权重（通常是较低/较深层的滤波器），只训练最顶层层的权重。这个选择取决于你，通常取决于可用的训练数据量（你拥有的例子越多，你就越能负担得起更多的权重进行微调）。
每个包含可训练参数的层都有param { lr_mult: XX }。这个系数决定了这些权重对SGD更新的敏感程度。设置param { lr_mult: 0 }意味着你固定了这一层的权重，它们在训练过程中不会被改变。
相应地编辑你的train_val.prototxt文件。
4. 运行caffe
运行caffe train，但提供caffemodel权重作为初始权重：
~$ $CAFFE_ROOT/build/tools/caffe train -solver /path/to/solver.ptototxt -weights /path/to/orig_googlenet_weights.caffemodel 