【发布时间】：2016-10-08 11:29:57
【问题描述】：
我正在使用预训练的 GoogLeNet，然后在我的数据集上对其进行微调以对 11 个类别进行分类。我用不同的base_learning rate 尝试了以下配置，但accuracy 没有进一步改进。
我使用了预训练的 GoogLeNet 模型，然后对最后 10 层和前 3 层进行了微调，基本学习率为 0.01，最大迭代次数为 50K，但这种配置并没有给出准确率优于 75%。
我使用了预训练的 GoogLeNet 模型，然后在基础学习率 0.01 和最大迭代次数为 50K 的情况下对最后 2 层进行微调，但这种配置并没有提供优于 71% 的准确度。
我使用了预训练的 GoogLeNet 模型，然后在基础学习率 0.001 和最大迭代次数为 50K 的情况下对最后 6 层进行微调，但这种配置并没有提供优于 85% 的准确度。
谁能告诉我，我可以更改哪些其他方法或参数来提高准确性？
【问题讨论】：
-
改变数据集怎么样？
-
首先，你是否正确地进行了模型选择+性能估计？只是尝试不同的超参数并选择性能最高的超参数会导致过度拟合。其次，正如@AshutoshSingla 已经提到的，使用特定数据集可能无法获得更好的性能。
-
你一直在照看你的学习过程吗？也许你应该早点停止学习？您是否尝试过不同的优化器 - 例如 RMSPROP 或 ADAM？
标签： machine-learning neural-network deep-learning caffe pycaffe