（Caffe，LeNet）初始化测试网络（四）

本文地址：http://blog.csdn.net/mounty_fsc/article/details/51090698

在 （Caffe，Lenet5）初始化训练网络（三）中介绍了训练网络的初始化，本文介绍测试网络的初始化。

1 测试网络结构

No.	Layer	layer Type	Bottom Blob	Top Blob	Top Blob Shape
1	minst	Data		data && label	100 1 28 28 (78400) && 100 (100)
2	label_mnist _1_split	Split	label	label_mnist_1_split_0 && label_mnist_1_split_1	100 (100) && 100 (100)
3	conv1	Convolution	data	conv1	100 20 24 24 (1152000)
4	pool1	Pooling	conv1	pool1	100 20 12 12 (288000)
5	conv2	Convolution	pool1	conv2	100 50 8 8 (320000)
6	pool2	Pooling	conv2	pool2	100 50 4 4 (80000)
7	ip1	InnerProduct	pool2	ip1	100 500 (50000)
8	relu1	ReLU	ip1	ip1(in-place)	100 500 (50000)
9	ip2	InnerProduct	ip1	ip2	100 10 (1000)
10	ip2_ip2_0_split	Split	ip2	ip2_ip2_0_split_0 && ip2_ip2_0_split_1	100 10 (1000) && 100 10 (1000)
11	accuracy	Accuracy	ip2_ip2_0_split_0 && label_mnist_1_split_0	accuracy	(1)
12	loss	SoftmaxWithLoss	ip2_ip2_0_split_1 && label_mnist_1_split_1	loss	(1)

注：Top Blob Shape格式为：BatchSize，ChannelSize，Height，Width（Total Count）

2 与训练网络对比

1. 训练网络9层，测试网络12层
2. 训练网络没有的是：多了label_mnist_1_split、layer ip2_ip2_0_split、accuracy，类型为Split Layer和Accuracy Layer

3 Split Layer

其功能主要是复制blob，将一个bottom blob复制成多个top blob

4 Accuracy Layer

Accuracy完成的任务是统计预测正确样本的个数信息。如总样本N个，正确分类n个，正确率为n/N。

主要变量：

• label_axis_为标签对应的轴（对应的blob中的那个维度）
• outer_num_总的来说是样本数量，详细解释见后面
• inner_num_同上，总的来说是样本数量，详细解释见后面
• top_k为取前k个最高评分（的预测标签）

message AccuracyParameter {
...
  // The "label" axis of the prediction blob, whose argmax corresponds to the
  // predicted label -- may be negative to index from the end (e.g., -1 for the
  // last axis).  For example, if axis == 1 and the predictions are
  // (N x C x H x W), the label blob is expected to contain N*H*W ground truth
  // labels with integer values in {0, 1, ..., C-1}.
  optional int32 axis = 2 [default = 1];
}

定义中关于axis的说明：

1. axis指出在预测blob中，哪一维是label轴，如(N x C x H x W)的blob，axis=0，则N为label对应的维度。axis=1,则C为label对应的维度，而剩下的N为outer样本数量， H x W为inner样本数量。
2. 由代码可知，当axis=k时outer_num_=blob.shape[0,..,k)，inner_num_=blob.shape[k+1,..,shape.size)。

3. 一般的，label blob的维度为(N x C)，N为样本数量，C为标签数量（即类别个数）。axis=1,outer_num_=N,inner_num_=shape[2,2)=1(即没有inner)

   outer_num_ = bottom[0]->count(0, label_axis_);
   inner_num_ = bottom[0]->count(label_axis_ + 1);