Caffe 中的精度保持在 0.1 并且没有改变
Accuracy in Caffe keeps on 0.1 and does not change
整个训练过程，准确率为0.1。我做错了什么？
此处的模型、求解器和部分日志：
https://gist.github.com/yutkin/3a147ebbb9b293697010
png 格式的拓扑图：
P.S。我在 AWS 上使用最新版本的 Caffe 和 g2.2xlarge 实例。
您正在处理包含 10 个 类 的 CIFAR-10 数据集。当开始训练网络时，第一次猜测通常是随机的，因此您的准确率是 1/N，其中 N 是 类 的数量。在您的情况下，它是 1/10，即 0.1。如果您的准确性随着时间的推移保持不变，则意味着您的网络没有学习任何东西。这可能是由于较大的学习率而发生的。训练网络的基本思想是计算损失并将其传播回来。梯度乘以学习率并添加到当前的权重和偏差中。如果学习率太大，你可能每次都超过局部最小值。如果太小，收敛会很慢。我看到你这里的 base_lr 是 0.01。就我的经验而言，这有点大。您可能希望在开始时将其保持在 0.001，然后在您观察到准确性没有提高时继续将其降低 10 倍。但是低于 0.00001 的任何值通常都不会产生太大影响。诀窍是观察训练的进度并在需要时更改参数。
我知道这个话题已经很老了，但也许我的回答对某些人有帮助。我遇到了同样的问题，其准确性就像随机猜测一样。
有用的是将准确度层之前的最后一层的输出数设置为标签数。
在您的情况下，应该是 ip2 层。打开网络的模型定义并将 num_outputs 设置为标签数。
有关详细信息，请参阅第 4.4 节：A Practical Introduction to Deep Learning with Caffe and Python
整个训练过程，准确率为0.1。我做错了什么？
此处的模型、求解器和部分日志： https://gist.github.com/yutkin/3a147ebbb9b293697010
png 格式的拓扑图：
P.S。我在 AWS 上使用最新版本的 Caffe 和 g2.2xlarge 实例。
您正在处理包含 10 个 类 的 CIFAR-10 数据集。当开始训练网络时，第一次猜测通常是随机的，因此您的准确率是 1/N，其中 N 是 类 的数量。在您的情况下，它是 1/10，即 0.1。如果您的准确性随着时间的推移保持不变，则意味着您的网络没有学习任何东西。这可能是由于较大的学习率而发生的。训练网络的基本思想是计算损失并将其传播回来。梯度乘以学习率并添加到当前的权重和偏差中。如果学习率太大，你可能每次都超过局部最小值。如果太小，收敛会很慢。我看到你这里的 base_lr 是 0.01。就我的经验而言，这有点大。您可能希望在开始时将其保持在 0.001，然后在您观察到准确性没有提高时继续将其降低 10 倍。但是低于 0.00001 的任何值通常都不会产生太大影响。诀窍是观察训练的进度并在需要时更改参数。
我知道这个话题已经很老了，但也许我的回答对某些人有帮助。我遇到了同样的问题，其准确性就像随机猜测一样。
有用的是将准确度层之前的最后一层的输出数设置为标签数。
在您的情况下，应该是 ip2 层。打开网络的模型定义并将 num_outputs 设置为标签数。
有关详细信息，请参阅第 4.4 节：A Practical Introduction to Deep Learning with Caffe and Python