caffe常见层及其prototxt设置

 

输入：

 

Convolution:

layer {
    name: ""
    type: "Convolution"
    bottom: ""
    top: ""
    param { lr_mult: 1 }  
    param { lr_mult: 2 }  
        # 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，第二个表示偏置项的学习率。
        # 一般偏置项的学习率是权值学习率的两倍。
    convolution_param {
        num_output: 20    #卷积核个数    
        kernel_size: 5    #卷积核的大小（或 kernel_h、kernel_w ） 
        stride: 1    #步长，默认为1（或 stride_h、stride_w ）  
        pad: 0       #默认为0，不扩充，扩充的时候是左右、上下对称的。（或 pad_h、pad_w ）
        weight_filler {   # 权重初始化，默认为constant，值全为0。
            type: "constant/xavier/gaussian"
        }
        bias_filler {     # 偏置项的初始化
            type: "constant"
        }
        bias_term: true   #是否开启偏置项，默认为true, 开启
        group: 1          #分组，默认为1组。如果大于1，我们限制卷积的连接操作在一个子集内。如果我们根据图像的通道来分组，那么第i个输出分组只能与第i个输入分组进行连接。
            # caffe Convolution层的convolution_param参数字典中有一个group参数，其意思是将对应的输入通道与输出通道数进行分组，比如输入数据大小为90x100x100x32 90是数据批大小 100x100是图像数据shape，32是通道数，要经过一个3x3x48的卷积，group默认是1，就是全连接的卷积层，如果group是2，那么对应要将输入的32个通道分成2个16的通道，将输出的48个通道分成2个24的通道。对输出的2个24的通道，第一个24通道与输入的第一个16通道进行全卷积，第二个24通道与输入的第二个16通道进行全卷积。极端情况下，输入输出通道数相同，比如为24，group大小也为24，那么每个输出卷积核，只与输入的对应的通道进行卷积。
    }
}

 

InnerProduct:

全连接层，把输入当作成一个向量，输出也是一个简单向量。

输入： n*c0*h*w

输出： n*c1*1*1   （c1是卷积核的数量，输入数据blobs的width和height全变为1）

是卷积核大小和原数据大小一样的卷积层，它的参数基本和卷积层的参数一样。

layer {
    name: " "
    type: "InnerProduct"
    bottom: " "
    ......
}

 

Pooling:

为了减少运算量和数据维度而设置的一种层。