Caffe输出层数精度

Question

我已将 Caffe MNIST example 修改为 class 化 3 class 图像。我注意到的一件事是，如果我将输出层数指定为 3，那么我的测试准确度会急剧下降——降至 40% 的低范围。但是，如果我 +1 并有 4 个输出层，结果在 95% 范围内。
我在我的数据集中添加了一个额外的 class 图像（所以 4 classes）并注意到同样的事情 - 如果输出层的数量与 classes 的数量相同，然后结果很糟糕，如果它是相同的+1，那么它真的很有效。

  inner_product_param {
    num_output: 3
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"

有人知道这是为什么吗？我注意到，当我使用模型时，我在测试集中的图像上使用 C++ example code 进行训练，然后它会抱怨我已经告诉它存在 4 个 class，而我'我的标签文件中只提供了 3 个标签。如果我发明一个标签并将其添加到文件中，我可以将程序设置为运行，但无论如何它都只是 class 概率为 1.0 的 returns 之一图片我给了。

Answer 1

重要的是要注意，当微调 and/or 更改标签数量时，输入标签必须始终从 0 开始，因为它们用作索引计算损失时进入输出概率向量。
因此，如果您有

 inner_product_params {
   num_output: 3
 }

您必须只有训练标签 0,1 和 2。

如果您使用带有标签 1、2、3 的 num_output: 3，caffe 无法表示标签 3，实际上有一个冗余行对应于未使用的标签 0。
如您所见，当更改为 num_output: 4 时，caffe 再次能够表示标签 3 并且结果有所改善，但参数矩阵中仍有未使用的行。

Caffe输出层数精度

Caffe output layer number accuracy

machine-learning

computer-vision

neural-network

deep-learning

caffe