您的位置：首页 > Web前端

深度学习Caffe实战笔记（8）模型参数详解（补充）

2017-06-04 15:15 555 查看
上一篇博客介绍了如何修改网络结构，修改网络结构的前提是要知道模型的参数都是干什么的，所以想来先去，觉得还是补充一个博客把网络协议的参数做一个简单的说明(还是以LeNet为例子，这个例子太经典了)：
name: "LeNet"    #网络名称
layer {           #定义一个层
name: "mnist"    #层的名称
type: "Data"     #层类型
top: "data"      #输出，有两个，data和label
top: "label"
data_param {
source: "examples/mnist/mnist-train-leveldb"   #训练数据所在位置
backend: LEVELDB    #数据类型
batch_size: 64      #批量数目，表示一次读取64张图
}
transform_param {
scale: 0.00390625   #数据变换使用数据缩放因子
}
include: { phase: TRAIN }   #该层只在训练阶段有效
}
layer {        #同上
name: "mnist"
type: "Data"
top: "data"
top: "label"
data_param {
source: "examples/mnist/mnist-test-leveldb"   #测试数据路径
backend: LEVELDB              #测试数据类型
batch_size: 100               #一次读入100张测试数据
}
transform_param {
scale: 0.00390625           #测试数据尺度变换
}
include: { phase: TEST }   #该层只在测试阶段有效，既分类阶段有效
}
layer {                    #定义一个卷积层
name: "conv1"
type: "Convolution"      #类型决定了层的类型
bottom: "data"           #该层的输入层
top: "conv1"             #该层的输出层
param {
lr_mult: 1       #权值学习速率倍乘因子，1倍表示保持与全局参数一致
}
param {
lr_mult: 2       #偏置学习速率倍乘因子，是全局参数的2倍
}
convolution_param {   #卷积参数
num_output: 20      #feature map大小，既特征图个数为20
kernel_size: 5      #卷积核大小
stride: 1           #卷积输出跳跃间隔，1，表示无跳跃
weight_filler {     #权值使用xavier填充器
type: "xavier"
}
bias_filler {       #偏置使用常数填充器，默认为0
type: "constant"
}
}
}
layer {              #定义池化层
name: "pool1"
type: "Pooling"   #类型
bottom: "conv1"   #采样层输入
top: "pool1"      #采样层输出
pooling_param {    #池化参数
pool: MAX        #max池化
kernel_size: 2   #采样窗口大小2*2
stride: 2        #采样窗口输出跳跃间隔2*2
}
}
layer {                #非线性层，Insanity方法
name: "Insanity1"
type: "Insanity"
bottom: "pool1"
top: "pool1"
}
layer {                #卷积层，同上
name: "conv2"
type: "Convolution"
bottom: "pool1"
top: "conv2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 50
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {          #池化层解释同上
name: "pool2"
type: "Pooling"
bottom: "conv2"
top: "pool2"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
layer {           #非线性层，用insanity方法
name: "relu2"
type: "Insanity"
bottom: "pool2"
top: "pool2"
}
layer {              #全连接层
name: "ip1"
type: "InnerProduct"   #定义内积层，也称为全连接层
bottom: "pool2"        #输入
top: "ip1"             #输出
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 500      #滤波器个数
weight_filler {      #解释同上
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
layer {            #非线性层，Insanity方法
name: "relu3"
type: "Insanity"
bottom: "ip1"
top: "ip1"
}
layer {               #全连接层
name: "ip2"
type: "InnerProduct"
bottom: "ip1"       #输入
top: "ip2"          #输出
param {
lr_mult: 1       #参数学习率，和全局参数保持一致
}
param {
lr_mult: 2      #偏置学习率，是全局学习率的2倍
}
inner_product_param {   #全连接参数
num_output: 10        #输出节点个数
weight_filler {       #参数滤波类型
type: "xavier"
}
bias_filler {        #偏置滤波类型，常量填充默认0
type: "constant"
}
}
}
layer {                   #分类准确率层，只在testing阶段有效
name: "accuracy"
type: "Accuracy"
bottom: "ip2"          #输入iP2
bottom: "label"        #对应标签输入
top: "accuracy"        #输出
include {
phase: TEST          #测试有效
}
}
layer {                  #损失层
name: "loss"
type: "SoftmaxWithLoss"   #损失函数类型
bottom: "ip2"             #输入
bottom: "label"           #输入
top: "loss"               #输出
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
# The train/test net protocol buffer definition
net: "examples/mnist/Mnist_demo_LeNet.prototxt"   #网络协议，既用哪个网络结构
# test_iter specifies how many forward passes the test should carry out.
# In the case of MNIST, we have test batch size 100 and 100 test iterations,
# covering the full 10,000 testing images.
test_iter: 100                                #预测阶段迭代次数为100，设置预测迭代次数为100可以覆盖全部的10000个测试集
# Carry out testing every 500 training iterations.
test_interval: 500                 #测试频率，训练时，没迭代500次进行一次测试
# The base learning rate, momentum and the weight decay of the network.
base_lr: 0.01              #基础学习率
momentum: 0.9              #基础冲量
#solver_type: ADAGRAD
weight_decay: 0.0005       #基础权衰量
#weight_decay: 0.0005
# The learning rate policy
lr_policy: "inv"         #学习速率的衰减策略
gamma: 0.0001
power: 0.75
# Display every 100 iterations
display: 100            #每100次在屏幕上打印log
# The maximum number of iterations
max_iter: 10000         #最大迭代次数
# snapshot intermediate results
snapshot: 5000          #每5000次打印一次快照，既模型保存
snapshot_prefix: "examples/mnist/lenet"    #打印快照位置
# solver mode: CPU or GPU
solver_mode: GPU                 #设置CPU或者GPU
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

这里只做简单说明，更深的内容还需要查阅相关paper和基础知识。。。。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航