Caffe实例开发学习笔记。——网络配置文件 Layer参数详解——

（caffe/example/mnist/lenet_train_test.prototxt）

数据层

（caffe一般将数据做成数据库的形式，读取速度快，匹配cpu读取跟GPU运算）

Ø source项是存放LMDB数据的位置；

Ø backend指出数据的后缀是LMDB，而不是jpg或者其它（还有一种HDF5）；

Ø batch_size指SGD中一批数据的大小是64；（一般是2的N次方）

Ø scale的大小是0.00390625，其等于1/256，意思是将原始图像数据（大小范围为[0,255]）归一化到[0,1)范围内。

Ø top: "data"

Ø top: "label"  #一般用bottom表示输入,top表示输出，多个top代表有多个输出

 计算层

（卷积）：

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

  }

 num_output: 20 #卷积核（filter)的个数

    kernel_size: 5 #卷积核的大小(5x5x上一层深度)

    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

 

（池化层）：  pool: MAX #池化方法，默认为MAX。目前可用的方法有MAX, AVE

    kernel_size: 3 #池化的核大小

    stride: 2 #池化的步长，默认为1。一般我们设置为2，即不重叠。

  }

}

 

#pooling层的运算方法基本是和卷积层是一样的。

 

（激活函数）：#ReLU是目前使用最多的激活函数，主要因为其收敛更快，并且能保持同样效果。标准的ReLU函数为max(x, 0)，当x>0时，输出x; 当x<=0时，输出0

f(x)=max(x,0)

 

 

 

layer {

  name: "relu1"

  type: "ReLU"

  bottom: "pool1"

  top: "pool1"

}

（全连接层）：#全连接层，输出的是一个简单向量  参数跟卷积层一样（相当于对特征的再提取。）

（reshape层）：#在不改变数据的情况下，改变输入的维度。

有一个可选的参数组shape, 用于指定blob数据的各维的值（blob是一个四维的数据：n*c*w*h）。

 

dim:0  表示维度不变，即输入和输出是相同的维度。

 

dim:2 或 dim:3 将原来的维度变成2或3

 

dim:-1 表示由系统自动计算维度。数据的总量不变，系统会根据blob数据的其它三维来自动计算当前维的维度值 。

 

假设原数据为：32*3*28*28， 表示32张3通道的28*28的彩色图片

shape {

dim: 0

dim: 0

dim: 14

dim: -1

}

输出数据为：32*3*14*56