caffe训练网络各层解析

数据层：

    layer {
        name: "data" #定义名字，名字可以随意取
        type: "ImageData" #图像数据层
        top: "data" #一般用bottom表示输入，top表示输出，多个top有多个输出
        top: "label"
        include {
        phase: TRAIN #训练网络分为训练阶段和自测试阶段，如果没写 include则表示该层即在测试中，又在训练中
        }
        transform_param {
                mirror: false     #false表示不开启镜像操作 True表示开启
                crop_size: 227 #再随机裁剪 227*227 增加数据
        #scase 0.0039215 归一化，将原来【0，255】的值压缩到0--1之间
               mean_file: "data/ilsvrc12/imagenet_mean.binaryproto" #用一个配置文件进行均值计算 -mean操作 RGB三通道 R-mR
        }
        image_data_param {
                source: "examples/_temp/file_list.txt" #数据库来源
                batch_size: 50 #每次批处理的个数  一般 2的n次幂
        #backend: LMDB #数据源的名称
                new_height: 256 #resize 图片的大小
                new_width: 256
        }

 }

卷积层

layer {
        name: "conv1"
        type: "Convolution" #卷积层
        bottom: "data"
        top: "conv1"
        convolution_param {
                num_output: 96 #卷积核（filter）的个数
        #lr_mult: 1 #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。如果有两个lr_mult，则第一个表示权值的学习率，第二个是偏置项的学习率。
                kernel_size: 11 #卷积核的大小
                stride: 4 #卷积核的步长
        #pad:0 #扩充边缘，默认为0，不扩充，是边缘信息多进行卷积操作
        }
        weight_filler{
        type: "xavier" #权值初始化。默认为“constant”，值为0，很多时候我们用“xavier”，也可用“gaussion”
        }
        bias_filter{
        type: "constant" #偏置项的初始化，一般设置为“constant”，值全为0
        }

}

激活函数，一般接在卷积层后面

layer {
        name: "relu1"
        type: "ReLU" #激活函数 Sigmoid  ReLU--->标准的ReLU函数为max(x,0),当x>0时，输出x；当x<=0时，输出0
        bottom: "conv1"
        top: "conv1"

}

池化层

layer {
        name: "pool1"
        type: "Pooling" #池化层
        bottom: "conv1"
        top: "pool1"
        pooling_param {
                pool: MAX #池化方法，默认为MAX，目前的方法有，MAX,AVE
                kernel_size: 3
                stride: 2
        }

}

全连接层

layer {
        name: "fc6"
        type: "InnerProduct" #全连接层，输出的是一个简单向量  参数跟卷积层一样
        bottom: "pool5"
        top: "fc6"
        inner_product_param {
                num_output: 4096 #
        }

}

防止过拟合的层

layer {
        name: "drop6"
        type: "Dropout" #防止过拟合的层
        bottom: "fc6"
        top: "fc6"
        dropout_param {
                dropout_ratio: 0.5
        }

}

layer {
      name: "prob"
      type: "Softmax" #输出准确值
      bottom: "fc8"
      top: "prob"
}
layer {
      name: "accuracy"
      type: "Accuracy" #测试输入准确率
      bottom: "prob"
      bottom: "label"
      top: "accuracy"
}
layer {
      name: "loss"
      type: "SoftmaxWithLoss" #计算loss
      bottom: "fc8"
      bottom: "label"
      top: "loss"

}

#在不改变数据的情况下，改变输入的维度
#layer{
# name : "reshape"
# type : "Reshape"
# bottom: "input"
# top : "output"
# reshape_param{
# shape{
# dim: 0 #copy the dimension from below
# dim: 2
# dim: 3
# dim: -1 #infer it from the other dimensions
# }
# }
#}
#有一个可选的参数组shape，用于指定blob数据的各维的值（blob是一个四维的数据：n*c*w*h）
#dim：0 表示维度不变，即输入和输出是相同的维度
#dim：2 或3 将原来的维度变为 2 或 3
#dim：-1 表示由系统自动计算维度，数据的总量不变系统会根据blob数据的其它三维来自动计算当前维度的维度值
#假设原数据为：32*3*28*28，表示32张3通道的28*28的彩色图
# shape{
# dim: 0 #copy the dimension from below
# dim: 0
# dim: 14
# dim: -1 #infer it from the other dimensions
# }

#输出数据为 32*3*14*56

以上内容，是观看唐宇迪课程《深度学习Caffe框架入门》所作笔记。