caffe框架学习（layer）

caffe train:

1、Data预处理

2、定义网络（编辑 prototxt配置文件）

3、定义超参数（编辑 prototxt配置文件）

4、训练得到caffemodel

代码举例：以mobilefacenet为例：

name: "mobilefacenet"       \名字随意起
input: "data"                        \数据层
input_shape {
top: "data"                           \一般用bottom表示输入，top表示输出
top: "label"   
include{

  phase ： TRAIN              \include写了谁就说明此时的输入在何时用，如果没有include，则表示数据既在测试test中，又在训练train中

mean_file:                          \用一个配置文件来进行均值的操作

scale：data上每一个像素点都是0-255，将其归一化到【0-1】

mirror：代表数据增强：0/false代表开启，1/true代表关闭

crop_size：随机裁剪更小的区域,也属于数据增强

batch_size:每次批处理的个数

backend: LMDB  :选用数据的名称（LMDB、HDFS数据源）

不用数据源，直接用文件夹里的图片，就要将txt列出每个图片的路径

}

 

layer {
    bottom: "data"
    top: "conv_1_conv2d"
    name: "conv_1_conv2d"
    type: "Convolution"
    convolution_param {
        num_output:  64              \卷积核（filter）的个数
        kernel_size: 3                  \卷积核的大小
        pad: 1                              \扩充边缘，0为不扩充
        stride: 2                           \步长
        bias_term: false

卷积层中lr_mult：控制当前层的学习率，一般偏置顶的学习率是权值学习率的两倍。

w（权值）和b（偏置项）初始化

    }
}

激活函数：Relu（一般和卷积层连在一起）

 layer {
  bottom: "conv_1_batchnorm"
  top: "conv_1_relu"
  name: "conv_1_relu"
  type: "PReLU"
}

全连接层：将之前提取的特征总结一下，变成向量形式

 

loss和softmax

 

reshap层

dim=0是不变的

dim=-1是自动推断大小 

dropout：在前向传播或者反向传播时，杀死一些神经元防止过拟合

参数dropout_ratio是杀死多少百分比