之前用了caffe訓練了一些資料，之後打算用finetune訓練，其實finetune的本質就是用你已經有的引數檔案來初始化（就是之前訓練好的caffemodel），而直接訓練的初始化是按照網路定義指定的方式初始化（如高斯隨機初始化）。這樣的好處就是在訓練的時候可以很快的收斂並達到很好的效果，所以這種情況下所需要的樣本數量和迭代次數都可以不大，而且可以隨意的設定你想要分類的數量，下面就具體介紹如何進行finetune.

         1）首先要更改網路設定，在prototxt裡將最後一層的名字隨便更改為你想要的,更改最後一層的輸出數量，如下例項：

              2）在solver prototxt裡減少學習率base_lr，一般為0.001，增大新加入層的lr_mult,The idea is to have the rest of the model change very slowly with new data, but let the new layer learn fast. we set`stepsize` in the solver to a lower value than if we were training from scratch, since we're virtually far along in training and therefore want the learning rate to go down faster.

       3）用自帶的create_imagenet.sh指令碼生成訓練和驗證資料，用make_imagenet_mean.sh生成均值檔案，當然也要在solver.prototxt和train.prototxt裡設定上面兩個檔案的路徑，為當初設定的是相對路徑，結果訓練的時候找不到這些檔案，後來設定的絕對路徑就可以了

       4）執行訓練：

 ./build/tools/caffe train -solver models/finetune_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel -gpu 0
 

如果使用cpu模式，那麼最後的-gpu省略