我使用了预训练的GoogLeNet模型，并在我的数据集上针对二分类问题进行了微调。验证数据集的"loss3/top1"准确率达到了98.5%。但是在我的评估数据集上评估性能时，准确率只有50%。无论我在train_val.prototxt中做了什么更改，我也在deploy.prototxt中做了相同的更改，我不确定在这些行中应该做哪些更改。
name: "GoogleNet"layer { name: "data" type: "input" top: "data" input_param { shape: { dim:10 dim:3 dim:224 dim:224 } }}有什么建议吗？
回答：
您不需要在deploy.prototxt中进一步更改任何内容，而是需要更改您向网络输入数据的方式。您必须以与训练/验证图像相同的方式转换您的评估图像。
例如，查看classifier.py是如何通过正确初始化的caffe.io.Transformer类处理输入图像的。
您在prototxt中的"Input"层只是一个声明，让caffe根据形状为10-by-3-by-224-by-224的输入blob分配内存。
* 当然，您必须验证train_val.prototxt和deploy.prototxt完全相同（除了输入层和损失层之外）：这包括确保层名称相同，因为caffe使用层名称从’caffemodel’文件中分配权重到实际加载的参数。不匹配的名称会导致caffe对某些层使用随机权重。
