从零开始,一步一步学习caffe的使用,期间贯穿深度学习和调参的相关知识!
卷积层参数说明
layer { name: "conv1" type: "Convolution" bottom: "data" top: "conv1" param { lr_mult: 1 #lr_mult: 学习率的系数,最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率,第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。 } param { lr_mult: 2 #偏置项的学习率 } convolution_param { num_output: 20 #卷积核(filter)的个数 kernel_size: 5 #卷积核的大小 stride: 1 #卷积核的步长,默认为1 pad: 0 #扩充边缘,默认为0,不扩充 group: 2 #默认为0(通达卷积的实现方式) weight_filler { type: "xavier" #权值初始化。 默认为“constant",值全为0,很多时候我们用"xavier"算法来进行初始化,也可以设置为”gaussian" } bias_filler { type: "constant" #偏置项的初始化。一般设置为"constant",值全为0 } }}