我想微调GoogLeNet与Caffe进行多标签分类 . 我已经将它调整为单标签分类，但我还是无法过渡到多标签 .
我正在做的主要步骤是不同的：
为数据和地面真相创建LMDB
我正在修改代码here和here以创建一个带有数据的LMDB，另一个带有基本事实 .
用SigmoidCrossEntropyLoss替换SoftmaxWithLoss
更新train_val.prototxt，我将SoftmaxWithLoss图层替换为SigmoidCrossEntropyLoss，并设置数据图层以便加载两个DB . 我设置了学习率参数，就像我对单标签分类问题所做的那样 .
这些步骤似乎有效 . 数据流，可以执行solver.step（1） . 为了验证数据和标签是否正确加载，我已使用公式明确计算了损失，并得到了与Caffe相同的结果 .
问题
网络没有收敛 . 运行几个迭代的hundrads，每个不同的类平均围绕类群 . 也就是说，如果类a在群体中具有0.35 1和0.65 0，则无论真实标签如何，网络将收敛到每个观察的~0.35分类概率 .
可能的错误1
我怀疑问题是因为我无法以GoogLeNet预训练模型可以从中学习的方式将图像正确加载到caffe中 . 我之前的经验是convert_imageset，它完美无缺 . 现在我正在使用shelhamer代码将图像保存到LMDB中：
im = np.array(Image.open(os.path.join(data_dir,in_)))
im = im[:,:,::-1]
im = im.transpose((2,0,1))
im_dat = caffe.io.array_to_datum(im)
in_txn.put('{:0>10d}'.format(in_idx), im_dat.SerializeToString())
我在加载图像时规范化数据层中的均值 . 那似乎对吗？还有另一种方法吗？
可能的错误2
也可能是train_val.prototxt定义错误 . 除了切换SoftmaxWithLoss - > SigmoidCrossEntropyLoss之外还有什么需要做的吗？
任何帮助将不胜感激！谢谢！
1 回答
在GoogLeNet中，输入数据应减去平均值：