最近拿caffe来做图片分类，遇到不少问题，同时也吸取不少教训和获得不少经验。

先看例子再总结经验。

这是一个2类分类器，分的是条纹衣服和纯色衣服。

先看几张图片。

条纹衣服：

纯色衣服:

肉眼也很容易辨认出来。

训练出来的模型目前的准确率是0.75。

为了可视化特征抽取，我把某一层的特征图和权重图也画出来了，这层是其中一个全连接层。

条纹衣服的特征图：

纯色衣服的特征图：

看条纹衣服的特征图比较有意思，把“条纹”特征给抽取出来了。也许这就是神经网络神奇的地方，在没有人的干扰的情况下，竟然能学习出来“条纹”特征。

其中一个channel的权重图：

这个就看不出来什么了。曾经有一个数据集，训练的是裙子的模型，当我看到权重图是一个裙子轮廓的图。

好了，说了这么多，总结一下经验吧。

1 数据集要保证质量。曾经玩过一字领和polo领的分类，刚开始效果很差，后来发现有一些“错误”的标签，于是把那些样本给去掉。效果好了很多。

2 learning rate要调整。有一次训练了很久，准确率几乎不变，于是我减少了lr，发现好了很多。

3 均值化图片。实践证明，均值化后再训练收敛速度更快，准确率更高。

对于深度学习的困惑：感觉准确率是个大问题啊，其实这也是所有机器学习算法的通病。

对于别人研究提供的数据集，比如imagenet,cifa10,lenet，效果很好。

但是自己收集的数据集，效果就不是很理想了。

也就是说，算法不是万能的，只是对于某些数据集有效。

我们能做的，是什么？

1 对于哪些数据集，深度学习比较适合？

2 对于效果差的数据集，如何能提高准确率？

曾经脑海里闪过一个念头，是由上面提到的权重图想到的。

当时看到权重图是一个裙子轮廓的图，心里就想。

这是神经网络自动调整出来的权重图，

如果人为加上干预，能否实现优化呢？