网络结构文件----卷积层、池化层、全连接层、激活函数层、测试时输出准确率、softmax层、reshape层、Dropout层

一、卷积层                                                                                                                                       点击此处返回总目录 二、池化层 三、全连接层 四、激活函数层 五、测试时输出准确率 六、softmax层 七、reshape层 八、Dropout层     一、卷积层 卷积层的参数相对来说少了一些。     layer {                                name: "conv1"               #该层的名字"conv1"   type: "Convolution"        #这一层是卷积层。   bottom: "data"                #输入data。这个data就是从前面一层来的。   top: "conv1"                   #输出conv1   param {                          #这个是权值的学习率，下面一个是是偏置的学习率。一般偏置的学习率是权值学习率的两倍。     lr_mult: 1                      #学习率系数。最终的学习率是这个数乘以solver文件中的base_lr。这样不同的卷积层就可以有不同的学习率了。solver中的学习率是基础学习率。如果不想更新这一层，就把这两个值设成0就好了。   }   param {                             lr_mult: 2    }   convolution_param {     num_output: 20       #卷积核的个数为20，或者表示输出特征平面的个数为20。因为有多少个卷积核就输出多少个特征平面。     kernel_size: 5          #卷积核的大小5*5。如果卷积核长和宽不等，则需要用kernel_h和kernel_w分别设置。其实还有一个深度的概念。