caffe模型

一个完整的深度学习系统最核心的两个方面是 数据和模型。 这里主要来关注模型。一个深度学习模型通常由三部分参数组成：

可学习参数（Learnable Parameter），又称可训练参数、神经网络权系数、权重，其数值由模型初始化参数、误差反向传播过程控制，一般不可人工干预。

结构参数（Archetecture Parameter）,包括卷积层/全连接层/下采样层数目、卷积核数目、卷积核大小等描述网络结构的参数，一旦设定好，在网络训练阶段不能更改：指的注意的是，训练阶段网络结构参数和预测阶段阶段参数很可能不同。

训练超参数（Hyper-Parameter），用来控制网络训练收敛的参数，训练阶段可以自动或者手动调节以获得更好的效果，预测阶段不需要该参数。

在caffe中，一个模型的三部分参数分别由不同模块定义和实现：

可学习参数在内存中使用Blob对象保持，必要时以二进制ProtoBuffer文件（*.caffemodel）形态序列化并存储于磁盘上，便于进一步微调（finetune，又称精调）、共享、行呢个评估；而.solverstate是与.caffemodel一起产生的二进制文件，包含从上次停止点回复训练模型所需的信息。

结构参数使用ProtoBuffer文本格式（*.prototxt）描述，网络初始化时通过该描述文件构建Net对象、Layer对象形成有向无环图结构，在Layer与Layer之间、Net输入源和输出源均为持有数据和中间结果的Blob对象。

训练超参数同样使用ProtoBuffer文本格式（*.prototxt）描述，训练阶段利用该描述文件构建求解器（Solver）对象，该对象按照一定规则在训练网络时自动调节这些超参数值。