caffe模型参数的一些解释

作者：wjmishuai

出处： http://blog.csdn.net/wjmishuai/article/details/50890214
声明：版权所有，转载请联系作者并注明出处

[plain] view
plain copy

 





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"  

}