Caffe部署中的几个train-test-solver-prototxt-deploy等说明 （一）

转载地址： http://blog.csdn.net/lg1259156776/article/details/52550830
本文只是自己学习一天的总结，如有不对的地方，欢迎指正！

欢迎大家转载，但请标明出处，谢谢！

1、*_train_test.prototxt文件

这是训练与测试网络配置文件

（1）在数据层中 参数include{

                                 phase：TRAIN/TEST

                             }

TRAIN与TEST不能有“...”否则会报错，还好提示信息里，会提示哪一行出现了问题，如下图：



数字8就代表配置文件的第8行出现了错误

（2）卷积层和全连接层相似：卷积层（Convolution），全连接层（InnerProduct，容易翻译成内积层）相似处有两个【1】：都有两个param{lr_mult：1

                                           decay_mult：1                            

                               }

                             param{lr_mult： 2

                                        decay_mult: 0            

                              }

【2】：convolution_param{}与inner_product_param{}里面的参数相似，甚至相同

（3）平均值文件*_mean.binaryproto要放在transform_param{}里，训练与测试数据集放在data_param{}里

2.*_deploy.prototxt文件

【1】*_deploy.prototxt文件的构造和*_train_test.prototxt文件的构造稍有不同首先没有test网络中的test模块，只有训练模块

【2】数据层的写法和原来也有不同，更加简洁：

input: "data"

input_dim: 1

input_dim: 3

input_dim: 32

input_dim: 32

注意红色部分，那是数据层的名字，没有这个的话，第一卷积层无法找到数据，我一开始没有加这句就报错。下面的四个参数有点类似batch_size（1,3,32,32）里四个参数

【3】卷积层和全连接层中weight_filler{}与bias_filler{}两个参数不用再填写，应为这两个参数的值，由已经训练好的模型*.caffemodel文件提供

【4】输出层的变化（1）没有了test模块测试精度（2）输出层

*_train_test.prototxt文件：

layer{

  name: "loss"

  type: "SoftmaxWithLoss"#注意此处与下面的不同

  bottom: "ip2"

  bottom: "label"#注意标签项在下面没有了，因为下面的预测属于哪个标签，因此不能提供标签

  top: "loss"

}

*_deploy.prototxt文件：

layer {

  name: "prob"

  type: "Softmax"

  bottom: "ip2"

  top: "prob"

}

***注意在两个文件中输出层的类型都发生了变化一个是SoftmaxWithLoss，另一个是Softmax。另外为了方便区分训练与应用输出，训练是输出时是loss，应用时是prob。

3、*_slover.prototxt

net: "test.prototxt"

#训练网络的配置文件

test_iter: 100

#test_iter 指明在测试阶段有多上个前向过程（也就是有多少图片）被执行。

在MNIST例子里，在网络配置文件里已经设置test网络的batch size=100，这里test_iter

设置为100，那在测试阶段共有100*100=10000 图片被处理

test_interval: 500

#每500次训练迭代后，执行一次test

base_lr: 0.01

#学习率初始化为0.01

momentum：0.9

#u=0.9

weight_decay:0.0005

#

lr_policy: "inv"

gamma: 0.0001

power: 0.75

#以上三个参数都和降低学习率有关，详细的学习策略和计算公式见下面

// The learning rate decay policy. The currently implemented learning rate

  // policies are as follows:

  //    - fixed: always return base_lr.

  //    - step: return base_lr * gamma ^ (floor(iter / step))

  //    - exp: return base_lr * gamma ^ iter

////    - inv: return base_lr * (1 + gamma * iter) ^ (- power)

  //    - multistep: similar to step but it allows non uniform steps defined by

  //      stepvalue

  //    - poly: the effective learning rate follows a polynomial decay, to be

  //      zero by the max_iter. return base_lr (1 - iter/max_iter) ^ (power)

  //    - sigmoid: the effective learning rate follows a sigmod decay

  //      return base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))

  // where base_lr, max_iter, gamma, step, stepvalue and power are defined

  // in the solver parameter protocol buffer, and iter is the current iteration.

display:100

#每100次迭代，显示结果

snapshot: 5000

#每5000次迭代，保存一次快照

snapshot_prefix: "path_prefix"

#快照保存前缀：更准确的说是快照保存路径+前缀，应为文件名后的名字是固定的

solver_mode:GPU

#选择解算器是用cpu还是gpu

批处理文件编写：

F:/caffe/caffe-windows-master/bin/caffe.exe train --solver=C:/Users/Administrator/Desktop/caffe_test/cifar-10/cifar10_slover_prototxt --gpu=all

pause