其他常用层及参数

JLU-IPVR

听笙

本文讲解一些其它的常用层，包括：softmax_loss层，Inner Product层，accuracy层，reshape层和dropout层及其它们的参数配置。

1、softmax-loss

softmax-loss层和softmax层计算大致是相同的。softmax是一个分类器，计算的是类别的概率（Likelihood），是Logistic Regression （逻辑回归）的一种推广。LogisticRegression 只能用于二分类，而softmax可以用于多分类。

softmax与softmax-loss的区别：

softmax计算公式：

而softmax-loss计算公式：

 

关于两者的区别更加具体的介绍，可参考：softmax vs. softmax-loss

用户可能最终目的就是得到各个类别的概率似然值，这个时候就只需要一个 Softmax层，而不一定要进行softmax-Loss 操作；或者是用户有通过其他什么方式已经得到了某种概率似然值，然后要做最大似然估计，此时则只需要后面的 softmax-Loss 而不需要前面的 Softmax 操作。因此提供两个不同的 Layer 结构比只提供一个合在一起的 Softmax-Loss Layer 要灵活许多。

不管是softmax layer还是softmax-loss layer,都是没有参数的，只是层类型不同而已。

softmax-loss layer：输出loss值

layer {

 name: "loss"

 type: "SoftmaxWithLoss"

 bottom: "ip1"

 bottom: "label"

 top: "loss"

}

softmax layer: 输出似然值(一个概率值)

layers {

 bottom: "cls3_fc"

 top: "prob"

 name: "prob"

 type: “Softmax"

}

2、Inner Product

全连接层，把输入当作成一个向量，输出也是一个简单向量（把输入数据blobs的width和height全变为1）。

输入： n*c0*h*w

输出： n*c1*1*1

全连接层实际上也是一种卷积层，只是它的卷积核大小和原数据大小一致。因此它的参数基本和卷积层的参数一样。

层类型：InnerProduct

lr_mult: 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。

必须设置的参数：

num_output: 过滤器（filfter)的个数其它参数：

weight_filler: 权值初始化。 默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设为”gaussian"

bias_filler: 偏置项的初始化。一般设置为"constant",值全0。

bias_term: 是否开启偏置项，默认为true, 开启

layer {

 name: "ip1"

 type: "InnerProduct"

 bottom: "pool2"

 top: "ip1"

 param {

   lr_mult: 1

 }

 param {

   lr_mult: 2

 }

 inner_product_param {

   num_output: 500

   weight_filler {

     type: "xavier"

   }

   bias_filler {

     type: "constant"

   }

 }

}

3、accuracy

输出分类（预测）精确度，只有test阶段才有，因此需要加入include参数。

层类型：Accuracy

layer {

 name: "accuracy"

 type: "Accuracy"

 bottom: "ip2"

 bottom: "label"

 top: "accuracy"

 include {

   phase: TEST

 }

}

4、reshape

在不改变数据的情况下，改变输入的维度。

层类型：Reshape

先来看例子

layer {

   name: "reshape"

   type: "Reshape"

   bottom: "input"

   top: "output"

   reshape_param {

     shape {

       dim: 0  # copy the dimension frombelow

       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 dim:3 将原来的维度变成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的维度值。

假设原数据为：64*3*28*28， 表示64张3通道的28*28的彩色图片

经过reshape变换：

reshape_param {

     shape {

       dim: 0

       dim: 0

       dim: 14

       dim: -1

     }

}

输出数据为：64*3*14*56

5、Dropout

Dropout是一个防止过拟合的trick。可以随机让网络某些隐含层节点的权重不工作。

先看例子：

layer {

  name: "drop7"

  type: "Dropout"

  bottom: "fc7-conv"

  top: "fc7-conv"

  dropout_param {

    dropout_ratio: 0.5

  }

}

只需要设置一个dropout_ratio就可以了。