caffe小记

Caffe只能完成卷积神经网络
主要用来做计算机视觉方向
设计卷积神经网络

卷积神经网络：
卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。

一维卷积神经网络常应用于序列类的数据处理；

二维卷积神经网络常应用于图像类文本的识别；

三维卷积神经网络主要应用于医学图像以及视频类数据识别。

使用caffe的流程：
1，准备数据
2，编写网络结构文件
3，编写网络求解文件
4，开始训练
5，使用训练的模型进行预测

两种数据格式LMDB LEVELDB：主要是帮助caffe来管理数据，可以将各种各样的数据格式转换成统一的键值对来存储，便于caffe获取并统一处理这些数据。

为什么要使用LMDB与LEVELDB：对于框架，需要处理各种各样的数据以及买你对不同的格式，还有就是方便高效，有效的提高IO效率

网络结构文件：
卷积神经网络包括卷积层，下采样层，全连接层等等，这些层的定义都是在网络结构文件中来定义的。这个网络结构命名的后缀为.prototxt，一般命名为**_train.prototxt。如果想设计的网络的话，就要学会修改设计这个文件。同时这个文件里面会指定数据源，均值文件等信息。

网络求解文件：
这个文件的命名一般为solver.prototxt，这个文件可厉害了！被称为caffe的核心，用来指定训练过程中的超参数，协调着整个模型的运作。它的主要作用是交替调用前向算法和后向算法来更新参数，从而最小化loss，其实就是一种迭代的优化算法。

Solver的流程：

1.     设计好需要优化的对象，以及用于学习的训练网络和用于评估的测试网络。（通过调用另外一个配置文件prototxt来进行）

2.     通过forward和backward迭代的进行优化来跟新参数。

3.     定期的评价测试网络。（可设定多少次训练后，进行一次测试）

4.     在优化过程中显示模型和solver的状态

在每一次的迭代过程中，solver做了这几步工作：

1、调用forward算法来计算最终的输出值，以及对应的loss

2、调用backward算法来计算每层的梯度

3、根据选用的slover方法，利用梯度进行参数更新

4、记录并保存每次迭代的学习率、快照，以及对应的状态。

{
net: “examples/mnist/lenet_train_test.prototxt”

设置深度网络模型。每一个模型就是一个net，需要在一个专门的配置文件中对net进行配置，每个net由许多的layer所组成。注意的是：文件的路径要从caffe的根目录开始，其它的所有配置都是这样。}

{
test_iter: 100
这个要与test layer中的batch_size结合起来理解。mnist数据中测试样本总数为10000，一次性执行全部数据效率很低，因此我们将测试数据分成几个批次来执行，每个批次的数量就是batch_size。假设我们设置batch_size为100，则需要迭代100次才能将10000个数据全部执行完。因此test_iter设置为100。执行完一次全部数据，称之为一个epoch

{
test_interval: 500
测试间隔。也就是每训练500次，才进行一次测试
}
Caffe工作大致流程：

让caffe可执行文件去先找到solver.prototxt文件，solver文件会找到网络结构文件，并且制定超参数。这样就会网络就开始训练起来了。