我正在尝试在caffe中训练一个二元分类模型，告诉输入图像是狗还是背景。我有8223个阳性样本和33472个阴性样本。我的验证集包含1200个样本，每个类600个。事实上，我的积极因素是从MS-COCO数据集中获取的片段。所有图像都调整大小，因此biiger维度不超过92，较小的维度不小于44.使用create_imagenet.sh（resize = false）创建LMDB文件后，我开始使用求解器进行训练并训练.prototxt＆＃39;在下面。问题是我得到一个恒定的准确度（0.513333或0.486667），这表明网络没有学习任何东西。 我希望有人能够提供帮助 先谢谢你了
解算器文件：
iter_size: 32
test_iter: 600
test_interval: 20
base_lr: 0.001
display: 2
max_iter: 20000
lr_policy: "step"
gamma: 0.99
stepsize: 700
momentum: 0.9
weight_decay: 0.0001
snapshot: 40
snapshot_prefix: "/media/DATA/classifiers_data/dog_object/models/"
solver_mode: GPU
net: "/media/DATA/classifiers_data/dog_object/net.prototxt"
solver_type: ADAM
train.prototxt：
layer {
name: "train-data"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
data_param {
source: "/media/DATA/classifiers_data/dog_object/ilsvrc12_train_lmdb"
batch_size: 1
backend: LMDB
}
}
layer {
name: "val-data"
type: "Data"
top: "data"
top: "label"
include {
phase: TEST
}
data_param {
source: "/media/DATA/classifiers_data/dog_object/ilsvrc12_val_lmdb"
batch_size: 1
backend: LMDB
}
}
layer {
name: "scale"
type: "Power"
bottom: "data"
top: "scale"
power_param {
scale: 0.00390625
}
}
layer {
bottom: "scale"
top: "conv1_1"
name: "conv1_1"
type: "Convolution"
convolution_param {
num_output: 64
pad: 1
kernel_size: 3
}
param {
lr_mult: 1
}
param {
lr_mult: 1
}
}
layer {
bottom: "conv1_1"
top: "conv1_1"
name: "relu1_1"
type: "ReLU"
}
layer {
bottom: "conv1_1"
top: "conv1_2"
name: "conv1_2"
type: "Convolution"
convolution_param {
num_output: 64
pad: 1
kernel_size: 3
}
param {
lr_mult: 1
}
param {
lr_mult: 1
}
}
layer {
bottom: "conv1_2"
top: "conv1_2"
name: "relu1_2"
type: "ReLU"
}
layer {
name: "spatial_pyramid_pooling"
type: "SPP"
bottom: "conv1_2"
top: "spatial_pyramid_pooling"
spp_param {
pool: MAX
pyramid_height : 4
}
}
layer {
bottom: "spatial_pyramid_pooling"
top: "fc6"
name: "fc6"
type: "InnerProduct"
inner_product_param {
num_output: 64
}
param {
lr_mult: 1
}
param {
lr_mult: 1
}
}
layer {
bottom: "fc6"
top: "fc6"
name: "relu6"
type: "ReLU"
}
layer {
bottom: "fc6"
top: "fc6"
name: "drop6"
type: "Dropout"
dropout_param {
dropout_ratio: 0.5
}
}
layer {
bottom: "fc6"
top: "fc7"
name: "fc7"
type: "InnerProduct"
inner_product_param {
num_output: 2
}
param {
lr_mult: 1
}
param {
lr_mult: 1
}
}
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "fc7"
bottom: "label"
top: "loss"
}
layer {
name: "accuracy/top1"
type: "Accuracy"
bottom: "fc7"
bottom: "label"
top: "accuracy"
include: { phase: TEST }
}
培训日志的一部分：
I1125 15：52：36.604038 2326 solver.cpp：362]迭代40，测试网（＃0）
I1125 15：52：36.604071 2326 net.cpp：723]忽略源层列车数据
I1125 15：52：47.127979 2326 solver.cpp：429]测试净输出＃0：准确度= 0.486667
I1125 15：52：47.128067 2326 solver.cpp：429]测试净输出＃1：损失= 0.694894（* 1 = 0.694894损失）
I1125 15：52：48.937928 2326 solver.cpp：242]迭代40（0.141947 iter / s，14.0897s / 2 iter），损失= 0.67717
I1125 15：52：48.938014 2326 solver.cpp：261]火车净输出＃0：损失= 0.655692（* 1 = 0.655692损失）
I1125 15：52：48.938040 2326 sgd_solver.cpp：106]迭代40，lr = 0.001
I1125 15：52：52.858757 2326 solver.cpp：242]迭代42（0.510097 iter / s，3.92083s / 2 iter），损失= 0.673962
I1125 15：52：52.858841 2326 solver.cpp：261]火车净输出＃0：损失= 0.653978（* 1 = 0.653978损失）
I1125 15：52：52.858875 2326 sgd_solver.cpp：106]迭代42，lr = 0.001
I1125 15：52：56.581573 2326 solver.cpp：242]迭代44（0.53723 iter / s，3.7228s / 2 iter），损失= 0.673144
I1125 15：52：56.581656 2326 solver.cpp：261]火车净输出＃0：损失= 0.652269（* 1 = 0.652269损失）
I1125 15：52：56.581689 2326 sgd_solver.cpp：106]迭代44，lr = 0.001
I1125 15：53：00.192082 2326 solver.cpp：242]迭代46（0.553941 iter / s，3.61049s / 2 iter），损失= 0.669606
I1125 15：53：00.192167 2326 solver.cpp：261]列车净输出＃0：损失= 0.650559（* 1 = 0.650559损失）
I1125 15：53：00.192200 2326 sgd_solver.cpp：106]迭代46，lr = 0.001
I1125 15：53：04.195417 2326 solver.cpp：242]迭代48（0.499585 iter / s，4.00332s / 2 iter），损失= 0.674327
I1125 15：53：04.195691 2326 solver.cpp：261]列车净输出＃0：损失= 0.648808（* 1 = 0.648808损失）
I1125 15：53：04.195736 2326 sgd_solver.cpp：106]迭代48，lr = 0.001
I1125 15：53：07.856842 2326 solver.cpp：242]迭代50（0.546265 iter / s，3.66123s / 2 iter），损失= 0.661835
I1125 15：53：07.856925 2326 solver.cpp：261]列车净输出＃0：损失= 0.647097（* 1 = 0.647097损失）
I1125 15：53：07.856957 2326 sgd_solver.cpp：106]迭代50，lr = 0.001
I1125 15：53：11.681635 2326 solver.cpp：242]迭代52（0.522906 iter / s，3.82478s / 2 iter），损失= 0.66071
I1125 15：53：11.681720 2326 solver.cpp：261]列车净输出＃0：损失= 0.743264（* 1 = 0.743264损失）
I1125 15：53：11.681754 2326 sgd_solver.cpp：106]迭代52，lr = 0.001
I1125 15：53：15.544859 2326 solver.cpp：242]迭代54（0.517707 iter / s，3.86319s / 2 iter），损失= 0.656414
I1125 15：53：15.544950 2326 solver.cpp：261]列车净输出＃0：损失= 0.643741（* 1 = 0.643741损失）
I1125 15：53：15.544986 2326 sgd_solver.cpp：106]迭代54，lr = 0.001
I1125 15：53：19.354320 2326 solver.cpp：242]迭代56（0.525012 iter / s，3.80943s / 2 iter），损失= 0.645277
I1125 15：53：19.354404 2326 solver.cpp：261]火车净输出＃0：损失= 0.747059（* 1 = 0.747059损失）
I1125 15：53：19.354431 2326 sgd_solver.cpp：106]迭代56，lr = 0.001
I1125 15：53：23.195466 2326 solver.cpp：242]迭代58（0.520681 iter / s，3.84112s / 2 iter），损失= 0.677604
I1125 15：53：23.195549 2326 solver.cpp：261]列车净输出＃0：损失= 0.640145（* 1 = 0.640145损失）
I1125 15：53：23.195575 2326 sgd_solver.cpp：106]迭代58，lr = 0.001
I1125 15：53：25.140920 2326 solver.cpp：362]迭代60，测试网（＃0）
I1125 15：53：25.140965 2326 net.cpp：723]忽略源层列车数据
I1125 15：53：35.672775 2326 solver.cpp：429]测试净输出＃0：准确度= 0.513333
I1125 15：53：35.672937 2326 solver.cpp：429]测试净输出＃1：损失= 0.69323（* 1 = 0.69323损失）
I1125 15：53：37.635395 2326 solver.cpp：242]迭代60（0.138503 iter / s，14.4401s / 2 iter），损失= 0.655983
I1125 15：53：37.635478 2326 solver.cpp：261]列车净输出＃0：损失= 0.638368（* 1 = 0.638368损失）
I1125 15：53：37.635512 2326 sgd_solver.cpp：106]迭代60，lr = 0.001
I1125 15：53：41.458472 2326 solver.cpp：242]迭代62（0.523143 iter / s，3.82305s / 2 iter），损失= 0.672996
I1125 15：53：41.458555 2326 solver.cpp：261]火车净输出＃0：损失= 0.753101（* 1 = 0.753101损失）
I1125 15：53：41.458588 2326 sgd_solver.cpp：106]迭代62，lr = 0.001
I1125 15：53：45.299643 2326 solver.cpp：242]迭代64（0.520679 iter / s，3.84114s / 2 iter），损失= 0.668675
I1125 15：53：45.299737 2326 solver.cpp：261]列车净输出＃0：损失= 0.634894（* 1 = 0.634894损失）
答案 0 :(得分：0)
一些评论：
1.您的测试集包含1200个样本，但每次只验证600个样本：test_iter * batch_size = 600。有关详细信息，请参阅this answer
2.您在创建lmdb时是否对训练数据进行了随机播放？有关详细信息，请参阅this answer
3.你如何开始你的体重？您的原型文件中似乎没有filler的调用。如果您没有明确定义filler s，则权重为init。对于SGD来说，这是一个非常困难的起点。有关详细信息，请参阅this answer
4.您是否尝试在求解器中设置debug_info: true并查看调试日志以查找问题的根本原因？有关详细信息，请参阅this thread。