caffe模型参数的一些解释

出处： /article/9080491.html

声明：版权所有，转载请联系作者并注明出处

原始数据是28*28
1：数据层：
layer {
name: "mnist"//数据层的名字是mnist
type: "Data"//这个层的类型是data
top: "data"//产生两个blob，一个是data blob
top: "label"//一个是lable blob
include {
phase: TRAIN
}
transform_param {
scale: 0.00390625//像素归一化
}
data_param {
source: "examples/mnist/mnist_train_lmdb"
batch_size: 64
backend: LMDB
}
}
2：卷积层
layer {
name: "conv1"
type: "Convolution"
bottom: "data"//获取上一层的data blob
top: "conv1"//产生conv1层
param {
lr_mult: 1//学习率。表示 weight的学习率和slover.pro中的学习率是一致的。
}
param {
lr_mult: 2//表示 bias的学习率是slover.pro中的学习率的2倍。  这样设置会导致更快的收敛
}
convolution_param {
num_output: 20//cov1层将产生输出20个通道
kernel_size: 5//卷积核大小是5*5
stride: 1//步长是1
weight_filler {//权重填充器，使用xavier算法填充weight。根据输入和输出神经元的数量自动确定初始化的规模。
type: "xavier"
}
bias_filler {//偏置填充器，使用constant算法填充bias。是一个常数，默认是0
type: "constant"
}
}
}
3：池化层(避免数据过拟合)
layer {
name: "pool1"
type: "Pooling"
bottom: "conv1"
top: "pool1"
pooling_param {
pool: MAX//使用MAX进行池化
kernel_size: 2//卷积核大小是2*2
stride: 2//步长是2
}
}

4：全连接层
layer {
name: "ip1"
type: "InnerProduct"
bottom: "pool2"
top: "ip1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 500//产生500维的输出数据
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}

5：ReLU层（紧跟在全连接层后，目的是节省内存）
layer {
name: "relu1"
type: "ReLU"
bottom: "ip1"
top: "ip1"
}

ReLU层后紧跟一个InnerProduct层
layer {
name: "ip2"
type: "InnerProduct"
bottom: "ip1"
top: "ip2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 10//因为有10类，所以输出10
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}

6：Loss层//不产生任何输出，只是用来计算损失函数的值，用来初始化ip2的gradient
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip2"//需要两个blob,一个是ip2，作为预测用
bottom: "label"//来自数据层，作为标签
top: "loss"
}