Caffe的使用

因为目前大多数深度论文的代码都是基于caffe的（当然也有基于Theano，torch的等），以前也看过一些，但这几天准备研究研究caffe的框架，写个博客记录一下其中遇到的问题以及解决方案。
首先建议大家初学的话，可以去caffe的主页http://caffe.berkeleyvision.org/看看，了解一下caffe是什么、为什么好用，再跑跑上面给的一些例子，就能熟悉个大概。

1.网络训练整体过程

（1）将数据转换成caffe的格式。
（2）定义网络。 网络.prototxt文件内定义各层的输入输出、类型以及一些参数
（3）配置求解器。 solver.prototxt中确定一些学习率、最大权重、迭代次数等参数
（4）训练。
caffe train -solver solver.prototxt -gpu 1/0

2.一些技巧

（1）caffe基本架构： blobs=>layers=>nets
blobs： 一批图像数目* 通道数* 高度* 宽度 行优先存储
layers：池化层，内积层，非线性层（ReLu 和 Sigmoid），逐像素的变
换，标准化层，数据层和损失层（softmax 和 hinge）。
每一种类型的网络定义了 3 种重要的计算：
A. 设置（setup）：在模型初始化时，初始化网络层和它的连接。
B. 前向推断（forward）：从 bottom 连接读取输入，进行计算，并将结果通过 top 连接输出。
C. 反向学习（backward）：给定 top 连接关于输出的梯度，计算关于输入的梯度，并传输到 bottom连接。一个带参数的网络层会计算关于参数的梯度，并存储在内部

3.网络的微调

未完待续