deep learning实践经验总结

近期拿caffe来做图片分类。遇到不少问题，同一时候也吸取不少教训和获得不少经验。

先看样例再总结经验。

这是一个2类分类器。分的是条纹衣服和纯色衣服。

先看几张图片。

条纹衣服：

纯色衣服:

肉眼也非常easy辨认出来。

训练出来的模型眼下的准确率是0.75。

为了可视化特征抽取。我把某一层的特征图和权重图也画出来了，这层是当中一个全连接层。

条纹衣服的特征图：

纯色衣服的特征图：

看条纹衣服的特征图比較有意思，把“条纹”特征给抽取出来了。

或许这就是神经网络奇妙的地方，在没有人的干扰的情况下，居然能学习出来“条纹”特征。

当中一个channel的权重图：

这个就看不出来什么了。以前有一个数据集，训练的是裙子的模型。当我看到权重图是一个裙子轮廓的图。

好了。说了这么多。总结一下经验吧。

1 数据集要保证质量。以前玩过一字领和polo领的分类，刚開始效果非常差，后来发现有一些“错误”的标签。于是把那些样本给去掉。效果好了非常多。

2 learning rate要调整。

有一次训练了非常久。准确率差点儿不变，于是我降低了lr，发现好了非常多。

3 均值化图片。实践证明，均值化后再训练收敛速度更快。准确率更高。

对于深度学习的困惑：感觉准确率是个大问题啊，事实上这也是全部机器学习算法的通病。

对于别人研究提供的数据集，比方imagenet,cifa10,lenet，效果非常好。

可是自己收集的数据集，效果就不是非常理想了。

也就是说，算法不是万能的，仅仅是对于某些数据集有效。

我们能做的。是什么？

1 对于哪些数据集。深度学习比較适合？

2 对于效果差的数据集。怎样能提高准确率？

以前脑海里闪过一个念头。是由上面提到的权重图想到的。

当时看到权重图是一个裙子轮廓的图，心里就想。

这是神经网络自己主动调整出来的权重图，

假设人为加上干预，是否能实现优化呢？

本文作者：linger

本文链接：http://blog.csdn.net/lingerlanlan/article/details/31773811