[Caffe]:关于caffe新手入门

Caffe的几个重要文件

用了这么久Caffe都没好好写过一篇新手入门的博客，最近应实验室小师妹要求，打算写一篇简单、快熟入门的科普文。
利用Caffe进行深度神经网络训练第一步需要搞懂几个重要文件：

1. solver.prototxt
2. train_val.prototxt
3. train.sh

接下来我们按顺序一个个说明。

solver.prototxt

solver这个文件主要存放模型训练所用到的一些超参数：

• net := 指定待训练模型结构文件，即train_val.prototxt
• test_interval := 测试间隔，即每隔多少次迭代进行一次测试
• test_initialization := 指定是否进行初始测试，即模型未进行训练时的测试
• test_iteration := 指定测试时进行的迭代次数
• base_lr := 指定基本学习率
• lr_policy := 学习率变更策略，这里有介绍，可供参考
• gamma := 学习率变更策略需要用到的参数
• power := 同上
• stepsize := 学习率变更策略Step的变更步长（固定步长）
• stepvalue := 学习率变更策略Multistep的变更步长（可变步长）
• max_iter := 模型训练的最大迭代次数
• momentum := 动量，这是优化策略（Adam, SGD, … ）用到的参数
• momentum2 := 优化策略Adam用到的参数
• weight_decay := 权重衰减率
• clip_gradients := 固定梯度范围
• display := 每隔几次迭代显示一次结果
• snapshot := 快照，每隔几次保存一次模型参数
• snapshot_prefix := 保存模型文件的前缀，可以是路径
• type := solver优化策略，即SGD、Adam、AdaGRAD、RMSProp、NESTROVE、ADADELTA等
• solver_mode := 指定训练模式，即GPU/CPU
• debug_info := 指定是否打印调试信息，这里有对启用该功能的输出作介绍
• device_id := 指定设备号（使用GPU模式），默认为0

用户根据自己的情况进行相应设置，黑体参数为必须指定的，其余参数为可选（根据情况选择）。

train_val.prototxt

train_val文件是用来存放模型结构的地方，模型的结构主要以layer为单位来构建。下面我们以LeNet为例介绍网络层的基本组成：

name: "LeNet"
layer {
  name: "mnist"                                #网络层名称
  type: "Data"                                 #网络层类型，数据层
  top: "data"                                  #这一层的输出，数据
  top: "label"                                 #这一层的输出，标签
  include {    phase: TRAIN  }                 #TRAIN:=用于训练,TEST:=用于测试
  transform_param {    scale: 0.00390625  }    #对数据进行scale
  data_param {                                 #数据层配置 
    source: "examples/mnist/mnist_train_lmdb"  #数据存放路径
    batch_size: 64                             #指定batch大小
    backend: