caffe学习系列--层解读

最新推荐文章于 2022-09-25 21:34:07 发布

青天白鹭

最新推荐文章于 2022-09-25 21:34:07 发布

阅读量494

点赞数

分类专栏： caffe学习深度学习

本文链接：https://blog.csdn.net/u012617944/article/details/78473004

版权

caffe学习同时被 2 个专栏收录

8 篇文章 0 订阅

订阅专栏

深度学习

4 篇文章 0 订阅

订阅专栏

1.accuracy layers

层类型：Accuracy

layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}

可以看到，caffe中计算Accuracy时，是通过比较最后一个全连接层（神经元个数=类别数、但没有加入activation function）的输出和数据集的labels来得到的，计算过程在AccuracyLayer中实现；
我也一直非常困惑，计算accuracy应该使用计算得到的labels与数据集真正的labels去做计算，为什么caffe的accuracy要将fc8接入Accuray层呢？原来，在AccuracyLayer内部，实现了“利用fc8的输出得到数据集的预测labels”（数值最大的那个值得idnex就是样本的类别），那么，再与输入的数据集真实lebels作对比，就实现了accuray的计算！

实际上，如果仅仅是做预测，利用fc8的输出就够了（输出值最大的那个位置即为输入的label），该输出表示了输入的样本属于每一类的可能性大小，但并不是概率值； 
如果为了使输出具有统计意义，需要加入softmax function，它只是使前面的全连接层的输出（fc8）具有了概率意义，并不改变这些输出之前的大小关系，因为softmax function本身就是增函数； 
为了利用误差反向传播，还需要构造loss function（验证和训练的不同仅是验证打印出accuracy值），需要利用softmax function的输出，即需要利用输入样本属于每一类的概率值；

/*下面代码含全连接层，accuracy，SoftmaxWithLoss层*/
//最后一个全连接层
layer {
  name: "fc8"                              # 名称：fc8
  type: "InnerProduct"                     # 类型：全连接层
  bottom: "fc7"                            # 输入层：fc7
  top: "fc8"                               # 输出层：fc8                   
  # 权重（weights）的学习速率因子和衰减因子
  param { lr_mult: 1 decay_mult: 1 }
  # 偏置项（biases）的学习速率因子和衰减因子
  param { lr_mult: 2 decay_mult: 0 }
  inner_product_param {
    num_output: 1000                       # 1000个滤波器（filters）
    weight_filler {
      type: "gaussian"                     # 初始化高斯滤波器（Gaussian）
      std: 0.01                            # 标准差为0.01， 均值默认为0
    }
    bias_filler {
      type: "constant"                     # 初始化偏置项（bias）为零
      value: 0
    }
  }
}
layer {
name: "accuracy"
type: "Accuracy"
bottom: "fc8"
bottom: "label"
top: "accuracy"
include {
phase: TEST //仅供测试（验证）用
}
}
/*fc8后面接的SoftmaxWithLoss层做的工作分2步
第一步：对fc8的输出计算softmax function（结果为概率值）
第二步：利用求得的概率值计算Loss值*/
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "fc8"
bottom: "label" //跟label有啥关系？？预测对的才要计算loss
top: "loss"
}

2.InnerProduct Layers

示例代码见上；
层类型：InnerProduct(全连接层)
输入：N（batch_size大小）*C_i(通道数)*H*W
输出：N*C_o*1*1
输入可视为一个vector，输出也是一个vector（height和width被设为1）
全连接层可将学习到的特征映射到样本空间的作用。

3.Slicing layers

层类型：Slice （对比Split层）
作用：将一个input layer分割成多个output layers，根据给定的维度（目前只能指定num或者channel）（也可以分割labels）
参考链接：http://blog.csdn.net/u012235274/article/details/52438479

//分割labels实例代码
layer {
  name: "slicer_label"
  type: "Slice"
  bottom: "label"
  ## 假设label的维度是：N x 3 x 1 x 1
  top: "label1"
  top: "label2"
  top: "label3"
  slice_param {
    axis: 1                        # 指定维度为channel
    slice_point: 1                 # 将label[~][1][~][~]赋给label1
    slice_point: 2                 # 将label[~][2][~][~]赋给label2
                                   # 将label[~][3][~][~]赋给label3
  }
}

axis表明是（NCHW中）哪一个维度，slice_point（拆分点）是该维度的索引，slice_point的数量必须是top blobs的数量减1.

4.Concatenation

类型（type）：Concat（连结层）
CPU 实现： ./src/caffe/layers/concat_layer.cpp
CUDA、GPU实现： ./src/caffe/layers/concat_layer.cu
参数（concat_param）：（可选）：
axis [default 1]: 0代表连结num，1代表连结channel
输入（Input）：
-n_i * c_i * h * w：第i个blob的维度是n_i * c_i * h * w，共K个
输出（Output）：
if axis = 0: (n_1 + n_2 + … + n_K) * c_1 * h * w, and all input c_i should be the same.（axis = 0时，输出 blob的维度为(n_1 + n_2 + … + n_K) * c_1 * h * w，要求所有的input的channel相同）
if axis = 1: n_1 * (c_1 + c_2 + … + c_K) * h * w, and all input n_i should be the same.（axis = 0时，输出 blob的维度为n_1 * (c_1 + c_2 + … + c_K) * h * w，要求所有的input的num相同）
作用：与Slicing layer相对应，Concat layer用于把多个输入blob连结成一个输出blob。

layer {
  name: "concat"
  bottom: "in1"
  bottom: "in2"
  top: "out"
  type: "Concat"
  concat_param {
    axis: 1
  }
}

5.Eltwise layer

layer {  
  name: "fuse"  
  type: "Eltwise"  
  bottom: "A"  
  bottom: "B"  
  top: "C"  
  eltwise_param {  
    operation: SUM  
  }  
}

Eltwise层的操作有三个：product(点乘)、sum(相加减)、max(取最大值)，其中，sum是默认操作。
PROD表示将A、B按元素相乘，SUM表示将A、B按元素求和，MAX表示将A、B按元素求最大值。

6.Reshape

类型（type）：Reshape（对比Flatten层）
CPU 实现： ./src/caffe/layers/reshape_layer.cpp
参数（reshape_param）：（可选）
shape（改变后的维度，详见下面解释）
输入（Input）：
a single blob with arbitrary dimensions（一个任意维度的blob）
输出（Output）：
the same blob, with modified dimensions, as specified by reshape_param（相同内容的blob，但维度根据reshape_param改变）

 layer {
    name: "reshape"                       # 名称：reshape
    type: "Reshape"                       # 类型：Reshape
    bottom: "input"                       # 输入层名称：input
    top: "output"                         # 输出层名称：output
    reshape_param {
      shape {
        dim: 0  # 这个维度与输入相同
        dim: 2
        dim: 3
        dim: -1 # 根据其他维度自动推测,reshape_param中至多只能有一个-1 //四个dim分别代表：N,C,H,W
      }
    }
  }