我正在使用MatConvNet中的卷积神经网络进行情感识别。我有一个主要的大数据集（A有40.000个图片）和两个较硬，较小的数据集（B，C，带有5.000个图片）和相同的类。当我使用随机权重初始化在数据集A上运行我的网络时，我得到70％的准确度。
因此，我希望通过在同一网络架构上使用数据集B和C上预先训练的权重进行初始化来提高性能。当在数据集A上微调我的网络时，我只从预训练网络中获取三个初始层（conv，relu，pool）。但是，我得到的结果比随机权重低。我还尝试了所有图层，六个第一层和一个第一层。
我理解和实施它吗？而不是前三层中的随机权重（实际上只是在第一层 - 转换中），我使用来自预训练网络的那些。现在我不确定我是否理解这个概念。
我使用以下代码进行微调：
int main(void)答案 0 :(得分：0)
“在数据集A上微调我的网络时，我只从预训练网络中获取三个初始层（conv，relu，pool）。”
由于relu和pool不可训练，因此您基本上只使用了预训练网络中的一个层。第一个conv层只进行一些边缘检测，并不捕获任何高级视觉概念。 转移学习的最佳实践是使用高层的ImageNet预训练功能。您可以先在大型数据集上对其进行微调，然后在小型数据集上进行微调。