原文链接：Caffe windows 下进行（微调）fine-tune 模型
分类模型主要是针对ImageNet的数据集进行分类的，ImageNet是一个千万级的图像数据库，通常只能得到几千张或者几万张某一特定领域的图像，所以重新训练一个新的网络模型是比较复杂的，而且参数不好调整，数据量也不够，fine-tuning是一个比较理想的选择。
fine-tuning：在比人基于caffe训练好的模型的基础上，利用别人训练好的模型的权重参数值，通过训练自己的图片集，修改最后一层（即softmax）的参数和输出类别，即网络层的前面的层不变作为一个特征提取器，只改变最后一层作为一个分类器，最后的训练就相当于训练了一个适合自己需求的分类器。
微调网络，通常初始化的模型参数文件，不同于training from scratch，scrachtch指的是训练一个新的网络，在训练过程中，这些参数都被随机初始化，而fine-tuning，是可以在ImageNet上1000类分类训练好的参数的基础上，根据分类识别任务进行特定的微调。将ImageNet的输出的分类数1000，改为需求的分类数如6类图像的分类。
另外还需要将fc8层改名为自己的名字（如改为fc8-test），这样因为已训练好的模型中没有与新的层进行匹配的结果，因此就会以新的随机值初始化最新创建的层。以一个小型的网络模型CaffeNet为例，任务的变化可以表示为：
1.准备数据集
准备两个txt文件，生成list的形式。图像路径之后一个空格之后跟着类别的ID，如下，这里记住ID必须从0开始，要连续，否则会出错，loss不下降，按照要求写就OK。找了6类一共是600张图片，480张为train，120张为test，放在caffe-master/data/re/train和caffe-master/data/re/test。生成图像对应的train.txt和test.txt，接着生成对应的lmdb数据，把这些文件都放在caffe-master/examples/myfile路径下。这个是训练的图像label，测试的也同理。
2.计算数据集的均值文件
因为集中特定领域的图像均值文件会跟ImageNet上比较General的数据的均值不太一样，生成的过程可以参考之前caffe生成均值文件的步骤。最后生成的mean.binaryproto文件放在caffe-master/examples/myfile路径下。
3.调整网络层参数
参照Caffe上的例程，我用的是CaffeNet，首先在输入层data层，修改我们的source 和 meanfile， 根据之前生成的lmdb 和mean.binaryproto修改即可，最后一层的输出类别，也就是将deploy.prototxt文件中的最后的输出类别1000改为自己的输出类别，并且需要加快最后一层的参数学习速率。首先修改名字，这样预训练模型赋值的时候这里就会因为名字不匹配从而重新训练，也就达成了我们适应新任务的目的。
调整学习速率，因为最后一层是重新学习，因此需要有更快的学习速率相比较其他层，因此我们将，weight和bias的学习速率加快10倍。原来是fc8，记得把跟fc8连接的名字都要修改掉。
4.修改Solver参数
原来的参数是用来training fromscratch，从原始数据进行训练的，因此一般来说学习速率、步长、迭代次数都比较大，在fine-tuning微调只需要微微调整， 主要的调整有：test_iter从1000改为了100，因为数据量减少了，base_lr从0.01变成了0.001，这个很重要，微调时的基本学习速率不能太大，学习策略没有改变，步长从原来的100000变成了20000，最大的迭代次数也从450000变成了50000，动量和权重衰减项都没有修改，依然是GPU模型，网络模型文件和快照的路径根据自己修改
5.开始训练
首先你要从caffe zoo里面下载一下CaffeNet网络用语ImageNet1000类分类训练好的模型文件，名字是bvlc_reference_caffenet.caffemodel，这个模型可以去网上下载：http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel，训练的命令如下：
Build/x64/Realse/caffe.exe train –solver=examples/myfile/solver.prototxt –weights examples/myfile/bvlc_refference_caffenet.caffemodel –gpu 0
这里将它写成一个脚本文件（xxx.sh），在cygwin下直接运行该脚本文件就行，建议大家一开始的时候可以自己多手动敲的运行，这样可以加强你的熟悉程度，后面可以写成脚本，因为写成脚本很方便，运行的时候只需要敲一行代码就行。最后达到的性能还不错accuray 是0.9，loss降的很低，finetune时应该用自己的数据集生成的均值文件。