我目前正在阅读关于’CMS-RCNN：用于无约束人脸检测的上下文多尺度区域CNN’的论文，它使用跳跃连接将conv3-3、conv4-3和conv5-3融合在一起，步骤如下所示

提取人脸区域的特征图（在多个尺度上conv3-3、conv4-3、conv5-3），并对其应用RoI-Pooling（即转换为固定高度和宽度）。对每个特征图进行L2归一化。将人脸的特征图（在多个尺度上）进行RoI池化和归一化后进行拼接（创建一个张量）。对人脸张量应用1×1卷积。对人脸张量应用两个全连接层，创建一个向量。

我使用了Caffe，并基于faster-RCNN VGG16制作了一个prototxt，以下部分被添加到原始的prototxt中

# roi pooling the conv3-3 layer and L2 normalize it layer {  name: "roi_pool3"  type: "ROIPooling"  bottom: "conv3_3"  bottom: "rois"  top: "pool3_roi"  roi_pooling_param {    pooled_w: 7    pooled_h: 7   spatial_scale: 0.25 # 1/4  }}layer {  name:"roi_pool3_l2norm"  type:"L2Norm"  bottom: "pool3_roi"  top:"pool3_roi"}-------------# roi pooling the conv4-3 layer and L2 normalize it layer {  name: "roi_pool4"  type: "ROIPooling"  bottom: "conv4_3"  bottom: "rois"  top: "pool4_roi"  roi_pooling_param {    pooled_w: 7    pooled_h: 7    spatial_scale: 0.125 # 1/8  }}layer {  name:"roi_pool4_l2norm"  type:"L2Norm"  bottom: "pool4_roi" top:"pool4_roi"} --------------------------# roi pooling the conv5-3 layer and L2 normalize it layer {  name: "roi_pool5"  type: "ROIPooling"  bottom: "conv5_3"  bottom: "rois"  top: "pool5"  roi_pooling_param {    pooled_w: 7    pooled_h: 7    spatial_scale: 0.0625 # 1/16  }}layer {  name:"roi_pool5_l2norm"  type:"L2Norm"  bottom: "pool5"  top:"pool5"}# concat roi_pool3, roi_pool4, roi_pool5 and apply 1*1 convlayer {  name:"roi_concat"  type: "Concat"  concat_param {    axis: 1  }  bottom: "pool5"  bottom: "pool4_roi"  bottom: "pool3_roi"        top:"roi_concat"}layer {  name:"roi_concat_1*1_conv"  type:"Convolution"  top:"roi_concat_1*1_conv"  bottom:"roi_concat"  param {   lr_mult: 1  }  param {    lr_mult: 2  }  convolution_param {    num_output: 128    pad: 1    kernel_size: 1    weight_filler{                type:"xavier"    }        bias_filler{                type:"constant"                }  }}layer {  name: "fc6"  type: "InnerProduct"  bottom: "roi_concat_1*1_conv"  top: "fc6"  param {    lr_mult: 1  }  param {    lr_mult: 2  }  inner_product_param {    num_output: 4096  }}

在训练过程中，我遇到了这样的问题

F0616 16:43:02.899025  3712 net.cpp:757] Cannot copy param 0 weights from layer 'fc6'; shape mismatch.  Source param shape is 1 1 4096 25088 (102760448); target param shape is 4096 10368 (42467328).To learn this layer's parameters from scratch rather than copying from a saved net, rename the layer.

我无法找出问题所在，如果你能发现一些问题或解释，我需要你的帮助。

非常感谢！！

回答：

你得到的错误信息非常清楚。你试图微调层的权重，但在"fc6"层上遇到了问题：
你从中复制权重的原始网络的"fc6"层输入维度为10368。另一方面，你的"fc6"层的输入维度为25088。如果输入维度不同，你不能使用相同的W矩阵（即该层的param 0）。

现在你知道了问题所在，再次查看错误信息：

Cannot copy param 0 weights from layer 'fc6'; shape mismatch.  Source param shape is 1 1 4096 25088 (102760448); target param shape is 4096 10368 (42467328).

Caffe无法复制"fc6"层的W矩阵（param 0），其形状与你试图微调的.caffemodel中存储的W形状不匹配。

你能做些什么？
只需阅读错误信息的下一行：

To learn this layer's parameters from scratch rather than copying from a saved net, rename the layer.

只需重命名该层，Caffe将从头开始学习该层的权重（仅限此层）。