【caffe学习】九、deploy.prototxt的介绍及与train.prototxt的区别

本文转载自：https://blog.csdn.net/fx409494616/article/details/53008971

如果要把训练好的模型拿来测试新的图片，那必须得要一个deploy.prototxt文件，这个文件实际上和test.prototxt文件差不多，只是头尾不相同而已。

1. train_val.prototxt 
首先，train_val.prototxt文件是网络配置文件。该文件是在训练的时候用的。
2.deploy.prototxt
该文件是在测试时使用的文件。

区别：
首先deploy.prototxt文件都是在train_val.prototxt文件的基础上删除了一些东西，所形成的。
由于两个文件的性质，train_val.prototxt文件里面训练的部分都会在deploy.prototxt文件中删除。

在train_val.prototxt文件中，开头要加入一下训练设置文件和准备文件。例如，transform_param中的mirror: true（开启镜像）；crop_size: ***（图像尺寸）；mean_file: ""（求解均值的文件），还有data_param中的source:""（处理过得数据训练集文件）；batch_size: ***（训练图片每批次输入图片的数量）；backend: LMDB（数据格式设置）。
然后接下来，训练的时候还有一个测试的设置，测试和训练模式的设置通过一个include{phase: TEST/TRAIN}来设置。接下来就是要设置TEST模块内容。然后其他设置跟上面一样，里面有个batch_size可以调小一点，因为测试的话不需要特别多的图片数量。
而以上这一块的内容在deploy里表现出来的只有一个数据层的设置。只需设置name,type,top,input_param这些即可。
接下来，第一个卷积层的设置，train_val.prototxt文件中多了param（反向传播学习率的设置），这里需要设置两个param一个时weight的学习率，一个时bias的学习率，其中一般bias的学习率是weight学习率的两倍。然后就是设置convolution_param，但是在train_val里面需要有对weight_filler的初始化和对bias_filler的初始化。
然后就是设置激活激活函数。这一块由于没有初始化，所以两个文件都是一样的。
再接下来就是池化层，由于池化就是降低分辨率，所以这两边是一样的，只需要设置kernel_size，stride，pool即可。无需参数的初始化。
再下来时LRN层，该层的全称是Local Response Normalization（局部响应值归一化），该层的作用就是对局部输入进行一个归一化操作，不过现在有论文表明，这一层加不加对结果影响不是很大。但这一层的定义都是相同的。
再接下来就是"conv2"、"relu2"、"pool2"、"LRN2"这样的循环，具体跟之前说的一样，train_val主要多的就是参数的初始化和学习率的设置。
在第五个卷积层之后，进入了"fc6"层，该层是全连接层，这里train_val里面还是多两个param学习率的设置，和weight_filler、bias_filler的初始化设置，而两者共同的是有一个输出向量元素个数的设置：inner_product_param。
再接下来就是激活函数RELU。
再接下来就是Dropout层，该层的目的就是为了防止模型过拟合。这其中有一个dropout_ration的设置一般为0.5即可。
再接下来就是"fc7"，这一层跟"fc6"相同。然后就是"relu7"、"drop7"都是相同的。然后就是"fc8"也与之前相同。
再接下来就是Accuracy，这个层是用来计算网络输出相对目标值的准确率，它实际上并不是一个损失层，所以没有反传操作。但是在caffe官网中，它在损失层这一部分。所以在deploy.prototxt文件中，这一层的定义是没有的。
再接下来train_val的最后一个层是"SoftmaxWithLoss"层，也是简单的定义了name,type,bottom,top就完了。而这一块的内容也不在deploy.prototxt文件中。
而在deploy.prototxt文件中直接定义了一个type:"Softmax"。

通过对CaffeNet这两个文件的查看发现deploy.prototxt文件和train_val.prototxt文件之间的差异在很多层里面牵扯到训练部分的都会被删除，然后就是反向传播训练部分会被删除。

其中，这里面有一个区别在里头，就是为什么train_val里面的是SoftmaxWithLoss而deploy里面的是Softmax层（两个都是损失层，都没有任何参数）：
这里面其实都是softmax回归的应用，只是在定义成Softmax时直接计算了概率forward部分，而在SoftmaxWithLoss部分时是还有backward的部分。所以这里就出现了区别，具体的区别可以看这两个文件的C++定义。

具体改动示例：

输入数据层改动如下：

name: "SpecNet"
layer {
  name: "spectr"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "../data/train"
    batch_size: 15
    backend: LMDB
  }
}
layer {
  name: "spectr"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "../data/valid"
    batch_size: 15
    backend: LMDB
  }
}

# Layer 1 128x128x1
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 1
  }
  ...
  ...
  ...

改为：

name: "SpecNet"
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 1 dim: 3 dim: 128 dim: 128 } }
}
# Layer 1 128x128x1
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 1
  }
  ...
  ...
  ...

dim: 1   num，对待识别样本进行数据增广的数量，可自行定义。一般会进行5次crop，之后分别flip。如果该值为10则表示一个样本会变成10个，之后输入到网络进行识别。如果不进行数据增广，可以设置成1 
dim: 3  通道数，表示RGB三个通道 
dim: 128  图像的长和宽 

输出层数据改动：

# Classification Layer 6x1
layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}
...
...
...

改为：

# Classification Layer 6x1
#layer {
#  name: "accuracy"
#  type: "Accuracy"
# bottom: "ip2"
#  bottom: "label"
#  top: "accuracy"
#}
layer {
  name: "prob"
  type: "Softmax"
  bottom: "ip2"
 # bottom: "label"
  top: "prob"
}
...
...
...