caffe配置文件 网络lenet-train-test.prototxt注释及说明

name: "LeNet"
layer {
  name: "mnist"
  type: "Data"
  top: "data"                                         #this layer produces two blobs, one is the data blob, and one is the label blob.
  top: "label"
  include {
    phase: TRAIN                                      #这个层仅在train阶段
  }
  transform_param {                                   #数据的预处理，可以将数据变换到定义的范围内。
    scale: 0.00390625                                 # 1 divided by 256 即将输入数据(RGB)由0-255归一化到0-1之间
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"
    batch_size: 64                                    #每次处理的数据个数，如64
    backend: LMDB                                     #选择是采用LevelDB还是LMDB, 默认是LevelDB.
  }
}
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST                                        #这个层仅在test阶段
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_test_lmdb"
    batch_size: 100                                    #测试数据100张为一批
    backend: LMDB
  }
}
layer {                                                #conv1(即产生图上 C1数据）层是一个卷积层
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {                                              #the learning rate adjustments for the layer’s learnable parameters
    lr_mult: 1                                         #the weight learning rate 
  }
  param {
    lr_mult: 2                                         # the bias learning rate to be twice as large as that - this usually leads to better convergence rates.
  }
  convolution_param {
    num_output: 20                                     #卷积和的个数produces outputs of 20 channels 
    kernel_size: 5                                     #卷积核的大小是5*5
    stride: 1                                          #卷积步长为1
    weight_filler {
      type: "xavier"                                   #使用xavier算法根据输入和输出的神经元数目来决定初始化的范围
    }
    bias_filler {                                      #偏置初始化为常数，0
      type: "constant"
    }
  }
}
layer {                                                #pool1（即产生S2数据）是一个降采样层
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX                                          # max pooling
    kernel_size: 2                                     #降采样的核是2*2的
    stride: 2                                          #步长为2         
  }
}
layer {                                                #conv2（即产生C3数据）是卷积层
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {                                             #学习率的系数，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                                        #第一个表示权值的学习率
  }
  param {
    lr_mult: 2                                        #第二个表示偏置项的学习率   
  }
  convolution_param {
    num_output: 50                                     #50个特征
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {                                               #pool2（即产生S3数据）是降采样层，降采样核为2*2，则数据变成4*4    
  name: "pool2"
  type: "Pooling"                                     #池化层
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX                                         #池化方法，默认为MAX
    kernel_size: 2                                    #池化的核大小
    stride: 2                                         #池化的步长，默认为1。一般设置为2，即不重叠。
  }
}
layer {                                               #ip1 是全连接层（产生C5的数据）。某个程度上可以认为是卷积层。输出为500
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500
    weight_filler {                                   # 权值初始化。 默认为“constant",值全为0，很多时候用"xavier"算法来进行初始化    
      type: "xavier"             
    }
    bias_filler {                                    #偏置项的初始化。一般设置为"constant",值全为0。
      type: "constant"
    }
  }
}
layer {                                              #线性修正函数，giving the same name to the bottom and top blobs
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}
layer {                                              #内积层，ip2是第二个全连接层，输出为10，直接输出结果，数据的分类判断在这一层中完成。     
  name: "ip2"                       
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {                                            #学习率的系数
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10                                   #过滤器（filfter)的个数
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {                                            #输出分类（预测）精确度，只有test阶段才有，因此需要加入include参数
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST                                    #this layer will be included only in TRAIN phase，If we change TRAIN with TEST, then this layer will be used only in test phase. 
  }
}
layer {                                            #It takes two blobs, the first one being the prediction and the second one being the label provided by the data layer
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"

}

推荐：徐其华的博客有更详细的说明 http://www.cnblogs.com/denny402/p/5073427.html