caffe模型参数的一些解释-CSDN博客

本文链接：https://blog.csdn.net/wjmishuai/article/details/50890214

本文详细解析了Caffe模型中的关键参数，探讨了深度学习框架Caffe的实现原理和过程，对于理解和使用Caffe进行神经网络训练具有指导意义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

作者：wjmishuai

原始数据是28*28
1：数据层：
layer {
  name: "mnist"//数据层的名字是mnist
  type: "Data"//这个层的类型是data
  top: "data"//产生两个blob，一个是data blob
  top: "label"//一个是lable blob
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625//像素归一化
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"
    batch_size: 64
    backend: LMDB
  }
}
2：卷积层
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"//获取上一层的data blob
  top: "conv1"//产生conv1层
  param {
    lr_mult: 1//学习率。表示 weight的学习率和slover.pro中的学习率是一致的。
  }
  param {
    lr_mult: 2//表示 bias的学习率是slover.pro中的学习率的2倍。  这样设置会导致更快的收敛
  }
  convolution_param {
    num_output: 20//cov1层将产生输出20个通道
    kernel_size: 5//卷积核大小是5*5
    stride: 1//步长是1
    weight_filler {//权重填充器，使用xavier算法填充weight。根据输入和输出神经元的数量自动确定初始化的规模。
      type: "xavier"
    }
    bias_filler {//偏置填充器，使用constant算法填充bias。是一个常数，默认是0
      type: "constant"
    }
  }
}
3：池化层(避免数据过拟合)
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX//使用MAX进行池化
    kernel_size: 2//卷积核大小是2*2
    stride: 2//步长是2
  }
}

4：全连接层
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500//产生500维的输出数据
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

5：ReLU层（紧跟在全连接层后，目的是节省内存）
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}

ReLU层后紧跟一个InnerProduct层
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10//因为有10类，所以输出10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

6：Loss层//不产生任何输出，只是用来计算损失函数的值，用来初始化ip2的gradient 
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"//需要两个blob,一个是ip2，作为预测用
  bottom: "label"//来自数据层，作为标签
  top: "loss"
}