1、會更新，finetune的過程相當於繼續訓練，跟直接訓練的區別是初始化的時候： a. 直接訓練是按照網路定義指定的方式初始化（如高斯隨機初始化） b. finetune是用你已經有的引數檔案來初始化（就是之前訓練好的caffemodel）2、嗯，這個問題有兩種情況：比如有4個全連線層A->B->C->D a. 你希望C層的引數不會改變，C前面的AB層的引數也不會改變，這種情況也就是D層的梯度不往前反向傳播到D層的輸入blob（也就是C層的輸出blob 沒有得到梯度），你可以透過設定D層的propagate_down為false來做到。 propagate_down的數量與輸入blob的數量相同，假如你某個層有2個輸入blob，那麼你應該在該layer的Param裡面寫上兩行： propagate_down : 0 # 第1個輸入blob不會得到反向傳播的梯度 propagate_down : 0 # 第2個輸入blob不會得到反向傳播的梯度 這樣的話，你這個layer的梯度就不會反向傳播啦，前面的所有layer的引數也就不會改變了 b. 你希望C層的引數不會改變，但是C前面的AB層的引數會改變，這種情況，只是固定了C層的引數，C層得到的梯度依然會反向傳播給前面的B層。只需要將對應的引數blob的學習率調整為0：你在layer裡面加上param { lr_mult: 0 }就可以了，比如全連線層裡面：layer { type: "InnerProduct" param { # 對應第1個引數blob的配置，也就是全連線層的引數矩陣的配置 lr_mult: 0 # 學習率為0，其他引數可以看caffe.proto裡面的ParamSpec這個型別 } param { # 對應第2個引數blob的配置，也就是全連線層的偏置項的配置 lr_mult: 0 # 學習率為0 }}不知道這樣說你能不能理解...
1、會更新，finetune的過程相當於繼續訓練，跟直接訓練的區別是初始化的時候： a. 直接訓練是按照網路定義指定的方式初始化（如高斯隨機初始化） b. finetune是用你已經有的引數檔案來初始化（就是之前訓練好的caffemodel）2、嗯，這個問題有兩種情況：比如有4個全連線層A->B->C->D a. 你希望C層的引數不會改變，C前面的AB層的引數也不會改變，這種情況也就是D層的梯度不往前反向傳播到D層的輸入blob（也就是C層的輸出blob 沒有得到梯度），你可以透過設定D層的propagate_down為false來做到。 propagate_down的數量與輸入blob的數量相同，假如你某個層有2個輸入blob，那麼你應該在該layer的Param裡面寫上兩行： propagate_down : 0 # 第1個輸入blob不會得到反向傳播的梯度 propagate_down : 0 # 第2個輸入blob不會得到反向傳播的梯度 這樣的話，你這個layer的梯度就不會反向傳播啦，前面的所有layer的引數也就不會改變了 b. 你希望C層的引數不會改變，但是C前面的AB層的引數會改變，這種情況，只是固定了C層的引數，C層得到的梯度依然會反向傳播給前面的B層。只需要將對應的引數blob的學習率調整為0：你在layer裡面加上param { lr_mult: 0 }就可以了，比如全連線層裡面：layer { type: "InnerProduct" param { # 對應第1個引數blob的配置，也就是全連線層的引數矩陣的配置 lr_mult: 0 # 學習率為0，其他引數可以看caffe.proto裡面的ParamSpec這個型別 } param { # 對應第2個引數blob的配置，也就是全連線層的偏置項的配置 lr_mult: 0 # 學習率為0 }}不知道這樣說你能不能理解...