【Caffe笔记】一.Caffe模型解释

最新推荐文章于 2023-01-15 16:05:58 发布

tottea

最新推荐文章于 2023-01-15 16:05:58 发布

阅读量2.3k

点赞数

分类专栏： Caffe

本文链接：https://blog.csdn.net/tottea/article/details/79654249

版权

Caffe 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

前言：

此系列文章是作者看CaffeCN官方教程中译本过程中做下的笔记，方便自己以后翻阅及有需要的人翻阅。

官方文档中译本下载地址：http://caffecn.cn/?/page/tutorial

Caffe使用blobs结构来存储，交换，处理网络中正向和反向迭代的数据（data）和导数信息（diff）。blob是Caffe中的标准数组结构。Layer是Caffe模型和计算的基本单元。Net是一系列layers和其连接的集合。Sloveing单独配置，用以解耦模型的建立与优化的过程。

1.blobs

blob是Caffe中处理和传递实际数据的数据封装包。从数学意义上讲，blob是按C风格连续存储的N维数组。

对于批量图像数据来说，blob常规的数据维度是图像数量N*通道数K*图像高度H*图像宽度W，以行为主进行存储，以致于最右面的维度更新最快。

Number(N)是每个批次处理的数据量。Channel(K)是特征维度，对于RGB图像来说，K=3。

2.Layer

Layer是Caffe模型的本质内容和执行计算的基本单元，其可进行很多运算，如convolve,pool,inner product,rectified-linear,sigmoid,元素级的数据交换，normalize,load data,softmax,hinge等。可在Caffe的Layer catalogue中查看所有操作，其囊括了绝大部分目前最前沿的深度学习任务所需的层类型。

一个layer通过bottom接受数据，通过top输出数据。

每一个layer都定义了三种重要的运算，setup（初始化），forward（前向传播），backward（反向传播）。

setup:模型初始化时充值layers及其相互间的连接。

forward:从bottom层接受数据，进行计算后输送到top层。

backward:对于给定的top层输出的梯度，计算其相对于输入的梯度，并传递到bottom层。

3.Net

Net通过合成各层的输出来计算这个函数，并通过合成各层的反向传播过程来计算来自损失函数的梯度。

准确地说，Net是由一系列层组成的有向无环（DAG）计算图。典型的Net由data layer开始，终止于loss layer。

Net使用的是一种文本建模语言来定义的（protocol buffer），学习好的模型会被序列化地存储在二进制文件protocol buffer.caffemodel中。

简单的Net定义如下：

name: "LogReg"
layer {
    name: "mnist"
    type: "Data"
    top: "data"
    top: "label"
    data_param {
        source: "input_leveldb"
        batch_size: 64
    }
}
layer {
    name: "ip"
    type: "InnerProduct"
    bottom: "data"
    top: "ip"
    inner_product_param {
        num_output: 2
    }
}
layer {
    name: "loss"
    type: "SoftmaxWithLoss"
    bottom: "ip"
    bottom: "label"
    top: "loss"
}