Deep learning系列（十二）caffe结构解析

最新推荐文章于 2022-06-24 18:31:49 发布

du_mengnan

最新推荐文章于 2022-06-24 18:31:49 发布

阅读量3.8k

点赞数

分类专栏： deep-learning 文章标签： caffe 深度学习 lenet python

本文链接：https://blog.csdn.net/u012526120/article/details/49471485

版权

1. 引言

在ubuntu上安装完caffe后，按照官网的教程学习caffe。看得第一个例子是Lenet（LeCun et al., 1998）,分别用命令行和python对其进行了训练。结合这两种训练方式及官网的教程，初步了解了caffe的结构。

这里写图片描述
首先看命令行的训练过程，包括四步：

将输入（Mnist数据库）转换成caffe可以接收的格式，比如LMDB或者leveldb；
定义Net，主要是定义所有的Layers，也定义了与Layer相连的Blobs;
定义Solver，使用的优化方法是（SGD+momentum），给定了优化过程中的各种参数;
用caffe训练模型，这儿仅需要一条指令：caffe train –solver，具体为：./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt；

可以看出，理解caffe的关键是中间两步，其中包括caffe重要的四个模块Net，Layers，Blobs和Solver。下面详细介绍这四个模块。

2. Nets

caffe的Net包括训练Net和测试Net，其保存在.prototxt文件中，训练Net的内容包括：

layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  transform_param {
    scale: 0.00392156862745
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"
    batch_size: 64
    backend: LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  convolution_param {
    num_output: 20
    kernel_size: 5
    weight_filler {
      type: