使用pycaffe进行的fine-tuning的过程_pytorch caffe2 fineturn

最近在进行caffe的fine-tuning的实验，在此做个简单地介绍和总结，方便以后的查询。

pre-trainning 与 fine-tuning 简单介绍

在使用大型网络的时候，经常是自己的数据集有限，为此常常会使用现已成熟的网络结构，如：alexnet，Googlenet，vggnet等，可以使用之前在开源社区中已经有人训练好的参数文件（.caffemodel），进行网络的初始化，然后使用自己的数据集进行参数的fine-tuning的过程。pre-trainning 在此，可以看作是caffemodel的参数数据（别人已经训练好或者是自己训练的网络的参数）。只是将原始的随机初始化，变成了已经有一定的使用的成熟的网络参数而已。

fine-tuning 的过程

本文就以vggnet-19 为例 进行介绍

参数与网络的结构使用的是

https://gist.github.com/ksimonyan/3785162f95cd2d5fee77#file-readme-md

1. 获取已有网络的结构（prototxt）和网络参数（caffemodel）

2. 准备好所要替换的自己的数据集，可以仿照原有的网络打包成lmdb或者其他格式的数据，也可以是原始的图像数据，这里不再进行说明，可以参考以前的博文。

3. mean file的计算，这里的话，我是将此文件替换成了自己数据集的mean file（train的集的），但是实验室的另一个大神他说这个是可以不进行替换的，只是一个normal的文件影响不是很大。（此步可以跳过）

4. 根据的自己的需要将最后的全连接的层，以及自己所需要改的层进行名字的修改，不要和原有的层的名称相同即可，caffe网络结构的参数读取，是根据名字将相应的参数读入到网络中的，修改之后，就不会将参数读入到网络中，这些参数就是随机产生的。但是常使用的就是修改最后的全连接层，我这里主要是分类的类别需要修改，例如10分类，改成100分类等。

5.最后是使用caffe的工具将fine-tuning的网络跑起来进行训练。

可以参考caffe的官网：

http://caffe.berkeleyvision.org/gathered/examples/finetune_flickr_style.html

./build/tools/caffe train -solver models/finetune_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel -gpu 0

这里的可以使用GPU或者是不指定，默认使用的是CPU。

以上就是整个过程。其实不难，只是在使用上如何更好的使用到自己的网络中。

以上的方法也是可以只进行卷积的过程，提取深度卷积的特征图，可以将某一层的数据使用python脚本序列化到硬盘上，以备后面的将特征图进行统一格式的处理，放入到其他的分类其上进行分类。（在此有个有趣的东西，就是图像的卷积不需要对图像的尺寸进行限制的，我们可以但用来提取任意大小的图像的特征，在批量计算时需要对数据的维数进行考虑，感兴趣的可以看一下sppnet等，fastercnn等网络，蛮有意思的）。