首先要帮Caffe甩个锅：Caffe对图像处理进行了很高明的封装，以protobuffer形式组织的搭积木式的网络构建也很灵活方便，这里的坑都是自己腿不好，走路不稳崴进去的。

1. Caffe的一个iter是一个batch，不是一个epoch。

2. 使用现有模型存档对网络进行fine_tune的时候，由于改变了输出的number，最后一层必须重新命名，目的是不复用最后一层的存档参数。和tensorflow不太一样的是，如果最后一层的参数数量不一致，训练时不会抛出异常，居然可以正常运行，然后。。。收敛只是梦一场。

3. 对于caffe的分类标签文件，需要严格遵循从0开始的规则，如果像我一样拍脑袋从1开始，您能收敛，我直播吃手机。 （据同事经验：类别还需要是连续，0,1,2,3,4....是ok的；0,1,2,4,6.....是会被ko的）。

4. 学习率选择需要炼丹的耐性，每次降一个数量级。从过大和过小的学习率去初始训练，都会极大提升时间成本（和你的怨念感）。

5. 因为我做分类用的label文件在前期做了比较多的数值处理，类型转换等工作，每一个流程/环节有疏忽都会造成最终的label文件有问题，并且这些问题因为数据量过大，很难通过肉眼排查， 非常容易出错，对于label文件的生成，小心为妙！

（估计未完，只能待续）