自己定义CNN网络模型并使用caffe训练

caffe自带的例子中对mnist手写体数字训练使用的卷积神经网络是在lenet_train_test.prototxt中定义的，隐含层包含了2个卷积层，2个池化层，2个全连接层，1个激活函数层。网络结构如下：

这里尝试修改一下lenet_train_test.prototxt文件，减少或增加一组卷积层和池化层，对比一下各自的训练精度和损失。

1.  减少一组卷积层和池化层

这样隐含层就包含了1个卷积层，1个池化层，2个全连接层，1个激活函数层。修改的方式直接在lenet_train_test.prototxt文件中删除第二卷积层和第二池化层的定义，并把第一全连接层的输入改成第一池化层的输出就行了（同时把第一卷积层的输出由20改成了50）。

修改之后的网络结构：

训练结果：

1.  增加一组卷积层和池化层

这样隐含层就包含了3个卷积层，3个池化层，2个全连接层，1个激活函数层。这里要注意的是图像大小是28*28，第一和第二卷积层的卷积核大小都是5*5，第一和第二池化层的池化核大小都是2*2，所以经过第二池化层之后单个图片的大小就只有
(（28-4）/2-4)/2=4，即4*4大小了，那新加的第三卷积层的卷积核就不能再是5*5了，这里改用3*3的卷积核，之后的第三池化核大小改成1*1，步长也改成1，修改之后的网络结果：

训练结果：

不做修改，正常情况下lenet_train_test.prototxt的训练结果为：

对比

减少一组卷积层和池化层的训练精度： 0.9881

减少一组卷积层和池化层的训练损失： 0.0359024

正常情况下的训练精度： 0.99

正常情况下的训练损失： 0.0295332

增加一组卷积层和池化层的训练精度： 0.992

增加一组卷积层和池化层的训练损失： 0.0257643