Какие детали должны быть изменены параметры train_val.prototxt, solver.prototxt и deploy.prototxt на основе наших собственных данных?

Question

Я смущен насчет изменения параметров обучения net в caffe на основе собственных данных.

• Какие слои сети мы должны обратить внимание больше, чтобы обучить сеть на собственные данные? Например, количество выходов основано на числе классов .

Я пытался тренировать FCN32 для семантической сегментации. Я изменил количество выходов в Deconvolution layer (i.e.,upscore_sign) на количество классов в моих данных, но он дает ошибку.

• У нас есть разные выходы в разных сверточных слоях. Как может Я обнаруживаю разные выходы друг от друга, и какой из них следует изменить ?
• Следующий вопрос: в чем разница между deploy.prototxt и train_val.prototxt.
• И какое применение deploy.prototxt? Должен ли я менять слои в deploy.prototxt на основе train_val.prototxt?

Я действительно ценю, если кто-то знает, пожалуйста, поделитесь своими знаниями.

Благодаря

Answer 1

Какой слой сетки следует обратить внимание

При точной настройки модели к новой задаче, вероятно, различным количеством этикеток, один необходимо изменения num_output из последний слой.
Последний уровень служит слоем предсказания вероятности, выводящим вектор вероятностей для каждой предсказанной переменной: для классификации изображений сеть предсказывает вектор-запрос на изображение; В FCN нетто-выходы prob vector pre pixel. Проверочный вектор имеет длину = число меток = num_output последнего слоя. Таким образом, вы должны изменить это значение, чтобы разместить новое количество меток в своей новой задаче.
См. this post for more details.

В чем разница между 'deploy.prototxt' и 'train_val.prototxt'

Эта разница объясняется в this post.

Следует ли менять слои в 'deploy.prototxt' на основе 'train_val.prototxt'?

Да!