利用VGG_FACEは性別データをfinetuneする
1219 ワード
最初のステップ
データを生成して、lmdbに慣れて、私のデータの中で訓練セット3000枚、テストセット600枚を含んで、create.sh生成train_lmdbとval_lmdb、make_を利用imagenet.sh meanファイルを生成します.
ステップ2
ネットワーク構造ファイルの書き換え、
データ層の書き換え:
その他の参考deploy.prototxtファイル.
ステップ3ネットワークの実行
学習率が0.0001に設定solverファイルを作成します.その後trainを実行します.shでいいです.運転結果を観測する.
データを生成して、lmdbに慣れて、私のデータの中で訓練セット3000枚、テストセット600枚を含んで、create.sh生成train_lmdbとval_lmdb、make_を利用imagenet.sh meanファイルを生成します.
ステップ2
ネットワーク構造ファイルの書き換え、
データ層の書き換え:
name: "VGG_ILSVRC_16_layers"
layer {
name: "data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
mirror: true
crop_size: 224
mean_file: "/home/lyz/caffe-master/models/Cele_gender/Cele_mean.binaryproto"
}
data_param {
source: "/home/lyz/caffe-master/models/Cele_gender/Cele_train_lmdb"
batch_size: 32
backend: LMDB
}
}
最後のフル接続レイヤの書き換え:layer {
name: "fc8-fine"
type: "InnerProduct"
bottom: "fc7"
top: "fc8-fine"
param {
lr_mult: 10
decay_mult: 1
}
param {
lr_mult: 20
decay_mult: 0
}
inner_product_param {
num_output: 2
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
}
}
その他の参考deploy.prototxtファイル.
ステップ3ネットワークの実行
学習率が0.0001に設定solverファイルを作成します.その後trainを実行します.shでいいです.運転結果を観測する.