caffe基础-02卷积层的配置
layer {
name: "conv1"
type: "Convolution" #卷积层
bottom: "data"
top: "conv1"
param { #最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。
lr_mult: 1 #lr_mult: w学习率的系数,
}
param {#如果有两个lr_mult, 则第一个表示权值的学习率,第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。
lr_mult: 2 #b学习率
}
convolution_param {
num_output: 20 #卷积核(filter)的个数
kernel_size: 5 #卷积核的大小 5*5*depth(前一层(data~3/convolution~20)的深度)
stride: 1 #卷积核的步长,默认为1
pad: 0 #扩充边缘(边缘像素更多被卷到),默认为0,表示不扩充
weight_filler {
type: "xavier" #权值初始化。 默认为“constant",值全为0,很多时候我们用"xavier"算法来进行初始化,也可以设置为”gaussian"
}
bias_filler {
type: "constant" #偏置项的初始化。一般设置为"constant",b值全初始化为0
}
}
}
#输入:n*c0*w0*h0
#输出:n*c1*w1*h1
#其中,c1就是参数中的num_output,生成的特征图个数
#w1=(w0+2*pad-kernel_size)/stride+1;
#h1=(h0+2*pad-kernel_size)/stride+1;