这是对此问题的扩展，讨论如何在训练前将现有权重添加到模型中。
我想使用现有权重，但我的最终层输出为50而不是1000（因为该网络被训练用于分类1000个项目）。从之前的帖子中，通过更改输出层的名称，我能够添加权重。但随后我意识到有其他层依赖于这个最终层。以下是VGG网络的一个片段：
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: 50 weight_filler { type: "xavier" } bias_filler { type: "constant" value: 0 } } } layer { name: "loss3/loss3" type: "SoftmaxWithLoss" bottom: "loss3/classifier" bottom: "label" top: "loss3/loss3" loss_weight: 1 } layer { name: "loss3/top-1" type: "Accuracy" bottom: "loss3/classifier" bottom: "label" top: "loss3/top-1" include { phase: TEST } } layer { name: "loss3/top-5" type: "Accuracy" bottom: "loss3/classifier" bottom: "label" top: "loss3/top-5" include { phase: TEST } accuracy_param { top_k: 5 } }我的问题是：
-
“bottom”和“top”参数到底是什么？
-
我是否需要更改后续两个层中“loss3/classifier”的名称？
回答：
这是一个相当基础的问题。我强烈建议你查看一些文档和基本的Caffe教程，以掌握Caffe的基础知识。这个教程可以作为一个很好的起点。
深度网络有一个底层图，描述了从网络输入到预测输出的数据“流动”。你问题中附带的片段描述了这样一个图。
每个层代表“数据路径”上的一个“处理单元”：它的输入是"bottom" blob(s)，层将其处理后的数据输出为"top" blobs。
因此，如果你有一个层
layer { name: "loss3/classifier" type: "InnerProduct" bottom: "pool5/7x7_s1" top: "loss3/classifier" ...}那么这个层执行一个"InnerProduct"操作（由层的type定义）。它对输入blob "pool5/7x7_s1"（定义为bottom）执行操作，并将结果输出到blob "loss3/classifier"（定义为top blob）。这个层的可学习参数（权重和偏置）由Caffe使用层的名称"loss3/classifier"存储和访问。
因此，如果你将层的名称更改为"loss3/classifier_50"，不更改top，你将获得预期的效果：Caffe不会复制该层的权重，但会保持该层的输出与其他层相连。
顺便说一下，
你确定你在使用VGG网络吗？这个prototxt看起来像是GoogLeNet架构…
请注意，AlexNet、VGG和GoogLeNet是三种相当不同的网络。
