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 |