我是用Caffe做6分类问题，做一种工业产品的检测。经过反复实验。总结的经验以下几条，供新手参考，也欢迎老手批评指正。大家交流。
 
本文把神经网络的神秘面纱扯下来，新手看了之后，就有了一个完整的认识，知道怎么操作了。当然更基础的东西，要自己学习，掌握。本文仅探讨使用心得，理论方面不包括。
 
个人原创，转载请注明来自本文。

1. 分辨率，用多大的分辨率。这个取决于目标的特征，如果目标是很大的，例如汽车，房子，在图片中占据很大的比重，那么使用100*100甚至50*50的分辨率就可以了。但是如果目标很小，例如是蚂蚁，这类的。那不能太小，否则，图形特征太小，网络将无法提取形态特征。造成训练失败。我用150*200兼顾了特征的保存以及最小的图像体积，保证了计算量最小。
另外，目标就是目标，不要包含太多背景，否则也是浪费计算量。

2. 网络的选型。使用lenet还是alexnet还是googlenet.看你的问题的规模，如果你的类别不是很多，形态也非常简单，类似于手写数字识别，那么用lenet作为基础，进行调整就可以。如果形态，纹理，都比较复杂，那么lenet受限于特征提取能力，就不合适了，强行使用可能造成网络不收敛。

3. 网络精简。一般的典型网络，如上述网络，都比较庞大，例如alexnet有5层卷积，2个中间层，能分1000类，googlenet就更多了，有十几个卷积层，交叉组合，也是分1000类。而我们的分类任务可能只要分几类，或者十几类。用人家的网络就会显得杀鸡用牛刀，浪费了计算能力，可能i3 CPU足够的，你得用i7, 也就增加了成本。
因此要精简网络，说说自己的经验，alexnet5层卷积的输出节点数，96-256-384-384-256，隐含层409614096节点。
我精简到96-128-128.隐含层只一层，100个节点。分类效果跟精简之前没什么区别。而网络从200多MB降到1MB多，准确度98%, 找到了网络的极限，因为再小的网络，训练无法收敛。可能以后，再增加类别时，需要扩大一下网络。

4. 样本准备。随机一些，不同方向，不同亮度的，甚至目标的尺寸，大一点小一点，都有。要有足够的代表性。

5. 可视化，一定要使用Matlab把卷积层的中间结果输出出来，看看那些结果图是有用的，因为同一层很多特征图事重复的，那么就可以减少输出点数，再训练时，网络就不会提取那些没有用或者重复的特征了。
训练时，学习率0.001. 再缩小也没有什么效果了。

6. 网络越简单，收敛速度越快，比如我用5层卷积时，要训练到4000轮才开始收敛，而3层时，从1000轮就开始收敛。

总之在机器学习，多层卷机网络的统一理论的指导下，多多实验吧，你会发现更多的特点，这就是一门实验的学问。
另外，也推荐一本书，虽然我还没有看，但是很多人推荐，我也下载了。
Neural Networks：Tricks of the Trade   网络使用技巧，老外写的。
网上能下载到。

另外，读一读lecun跟hinton的原始论文也帮助很大。 查看全部

 支持最新版cudnn的faster-rcnn  欢迎fork
 
https://github.com/xmyqsh/py-faster-rcnn

初入深度学习圈子，做点总结，上班时间先写个提纲，下班了再完善！
阿里云人工智能“看图说话”原视频（02：00 ~ 03：59） 3岁小孩可以轻松看图说话案例，计算机却很困难，听到不等于听懂、看到不等于看懂 Understand图片转为像素值，RGB（红、绿、蓝）同样标签，视角变化/大小变化/形变/遮挡/光照条件/背景干扰/类内差异Deep Learning , computer vision history ，Scale Big data analysis 发展，促进人工智能重发第2春不停改进算法，不如大数据分析，小孩不停从外界获取信息数据驱动，训练集、测试集 众包 million 图片收集以及标注识别Label，记忆形成短语（CNN、RNN、LSTM）分类 KNN，及优缺点线性分类，f = Wxi + b , W权重、b偏量损失函数 Loss function ，评价Label与真实结果接近度，多类支持向量机SVM、softmax分类器最优化，最短路径、梯度神经网络卷积神经网络（CNN） GoogleNet 有效减少权重参数个数LSTMGPU、Hadoop、Spark 并行计算计算机看图说话、计算机拥有视觉可能应用领域But 不足：无法评估艺术相关、人物情感 0~3岁 difficult | 3 ~10岁 more difficult华裔业界大牛：吴恩达（百度大脑）、周靖人（阿里人工智能）、李飞飞（斯坦福）... ...caffe | deeplearning4j 参考资料more... ... 查看全部