Caffe各层参数的含义

Parameter	Meaning
Data layer	数据层
type	定义网层的类型，此处为data
dataldx	0，1分别表示与图片和标签形成映射
Convolution layer	卷积层
type	定义网层的类型，此处为convolution
inputs	该层的输入
outputs	该层的输出
channels	输入图像通道数
filters	该层需要的滤波器数，最好为16的倍数
padding	做卷积运算时在几个边补零
stride	滤波器滑动窗口时设置的步长
filtersize	滤波器大小
neuron	激活函数类型
initw	初始化的权值
initb	初始化的偏置值
sharedBiases=true	各个滤波器是否共享偏置值
partialsum	这是一个参数,影响权重梯度计算的性能。
Locally-connected layer with unshared weights	该层就是一个卷积层，但没有权值共享，参数也与卷积层类似
type	定义网层的类型，此处为local
Local pooling layer	池化层
type	pool
pool	池化类型
inputs	层的输入
start	池化开始的x，y坐标，通常设为0
sizeX	池化层窗口尺寸
stride	池化层窗口的步长
outputsX	控制输出个数，设置为0则尽可能多的输出，以确保整个图像覆盖
channels	输入的路数
neuron	激活函数类型
Fully-connected layer	全连接层
type	fc
inputs	层的输入
outputs	输出个数
initw	初始化的权值
neuron	激活函数类型
Local response normalization layer (same map)	局部输入区域进行归一化（用一个通道）
channels	输入的通道数
size	需要求和的空间区域的边长
Local contrast normalization layer       (across maps)	局部输入区域进行归一化（相邻通道）
channels	输入通道数
size	邻近的channel数量
Neuron layer	激活函数作用层
type	neuron
inputs	层输入
neuron	使用的激活函数的类型
Elementwise sum layer	计算输入层的加权和
type	eltsum
inputs	层1，层2.....
coeffs	输入的各层分别对应的权值
Elementwise max layer	产生一个输出矩阵，其存储着各层最大元素
type	eltmax
inputs	层1，层2.....
Softmax layer	Softmax回归，起分类作用
type	fc10
outputs	分类数目
inputs	层输入
initW	初始化的权值
type	softmax（使概率为1）
inputs	fc10
Sum-of-squares cost layer	计算代价函数值
inputs[diff]	recon,data
type	eltsum
coeffs	输入参数分别对应的权重值
type[sqdiff]	cost.sum2
inputs	diff
Gaussian blur layer	高斯模糊（平滑）
type	blur
inputs	层的输入
filtersize	滤波器长度
stdev	高斯函数标准差（分配权重）
channels	输入图像的通道数
Bed of nails layer	应用冲激函数对图像进行子采样
type	nailbed
inputs	层的输入
stride	采样间隔
channels	输入图像的通道数
Image resizing layer	与双线性过滤层实现图像缩放
type	resize
inputs	层的输入
scale	缩放因子（0.5，2）
channels	输入图像通道数
RGB to YUV layer	图像格式转换
type	rgb2yuv
inputs	层的输入
RGB to L*a*b* layer	rgb图像转换到L*a*b编码图像
type	rgb2lab
inputs	层输入
center	如果值为true，L值减去50；否则L与原始结果相同
Layers with weights	权值参数层
epsW	权值学习率
epsB	偏置值学习率
momW	权值的冲量
momB	偏置值的冲量
wc	权值的衰减量
Cost layers	代价参数层
coeff	调节整个网络学习率的参数值
Local response/contrast normalization layers	Local_response_normalization_layer（same，across)方程的α和β部分
scale	α值
pow	β值
Block sparse convolution layer	每个滤波器可以只对应一部分输入的通道
type	conv
inputs	层输入
groups	组数，一个滤波器对应channels/groups个输入通道
channels	输入通道数
filters	滤波器个数
padding	需要补零的边界数
stride	划窗步长
filterSize	滤波器大小
neuron	激活函数类型
initW	初始化的权值
partialSum	这是一个参数,影响权重梯度计算的性能。
sharedBiases	是否共享偏置值
Random sparse convolution layer	随机稀疏卷积层
randSparse	true表明在这一层使用随机稀疏
filterChannels	channels/groups，一个滤波器对应输入的通道数
Layers with multiple inputs	单输入a；参数形式为a，b
Weight sharing between layers	层间共享权值
type	conv
inputs	层输入
weightSource	共享权值的层名
Initializing weights from an outside source	用python文件执行初始化工作
Initializing biases	用python文件执行初始化工作
Weight layers with multiple inputs	单输入a；参数形式为a，b；如epsW=a,b