caffe中lenet_train_test.prototxt配置文件注解

caffe框架下的lenet.prototxt定义了一个广义上的LeNet模型，对MNIST数据库进行训练实际使用的是lenet_train_test.prototxt模型。

lenet_train_test.prototxt模型定义了一个包含2个卷积层，2个池化层，2个全连接层，1个激活函数层的卷积神经网络模型，模型如下：

name: "LeNet"      //神经网络的名称是LeNet
layer {                   //定义一个网络层
  name: "mnist"    //网络层的名称是mnist
  type: "Data"       //网络层的类型是数据层
  top: "data"         //网络层的输出是data和label（有两个输出）
  top: "label"
  include {            //定义该网络层只在训练阶段有效
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625  //归一化参数，输入的数据都是需要乘以该参数（1/256)
	                               //由于图像数据上的像素值大小范围是0~255，这里乘以1/256
								   //相当于把输入归一化到0~1
  }
  data_param {
    source: "D:/Software/Caffe/caffe-master/examples/mnist/mnist_train_lmdb"  //训练数据的路径
    batch_size: 64      //每批次训练样本包含的样本数
    backend: LMDB   //数据格式（后缀）定义为LMDB，另一种数据格式是leveldb
  }
}
layer {                       //定义一个网络层
  name: "mnist"		 //网络层的名称是mnist
  type: "Data"			 //网络层的类型是数据层
  top: "data"			     //网络层的输出是data和label（有两个输出）
  top: "label"
  include {                //定义该网络层只在测试阶段有效
    phase: TEST
  }
  transform_param {
    scale: 0.00390625   //归一化系数是1/256，数据都归一化到0~1
  }
  data_param {
    source: "D:/Software/Caffe/caffe-master/examples/mnist/mnist_test_lmdb"  //测试数据路径
    batch_size: 100       //每批次测试样本包含的样本数
    backend: LMDB      //数据格式（后缀）是LMDB
  }
}
layer {                        	  //定义一个网络层
  name: "conv1"      		 //网络层的名称是conv1
  type: "Convolution"	 //网络层的类型是卷积层
  bottom: "data"			 //网络层的输入是data
  top: "conv1"				 //网络层的输出是conv1
  param {
    lr_mult: 1                 //weights的学习率跟全局基础学习率保持一致
  }
  param {
    lr_mult: 2                 //偏置的学习率是全局学习率的两倍
  }
  convolution_param {  //卷积参数设置
    num_output: 20        //输出是20个特征图
    kernel_size: 5            //卷积核的尺寸是5*5
    stride: 1                    //卷积步长是1
    weight_filler {
      type: "xavier"         //指定weights权重初始化方式
    }
    bias_filler {
      type: "constant"     //bias（偏置）的初始化全为0
    }
  }
}
layer {                            //定义一个网络层
  name: "pool1"			  //网络层的名称是pool1
  type: "Pooling"		      //网络层的类型是池化层
  bottom: "conv1"		  //网络层的输入是conv1
  top: "pool1"				  //网络层的输出是pool1
  pooling_param {         //池化参数设置
    pool: MAX                 //池化方式最大池化
    kernel_size: 2             //池化核大小2*2
    stride: 2                      //池化步长2
  }
}
layer {                               //定义一个网络层
  name: "conv2"				 //网络层的名称是conv2
  type: "Convolution"		 //网络层的类型是卷积层
  bottom: "pool1"			 //网络层的输入是pool1
  top: "conv2"					 //网络层的输出是conv2
  param {
    lr_mult: 1                      //weights的学习率跟全局基础学习率保持一致
  }
  param {
    lr_mult: 2					     //偏置的学习率是全局学习率的两倍
  }
  convolution_param {       //卷积参数设置
    num_output: 50			   //输出是50个特征图
    kernel_size: 5				   //卷积核的尺寸是5*5
    stride: 1						  //卷积步长是1
    weight_filler {
      type: "xavier"			      //指定weights权重初始化方式
    }
    bias_filler {
      type: "constant"			  //bias（偏置）的初始化全为0
    }
  }
}
layer {                                //定义一个网络层
  name: "pool2"				  //网络层的名称是pool2
  type: "Pooling"				  //网络层的类型是池化层
  bottom: "conv2"			  //网络层的输入是conv2
  top: "pool2"					  //网络层的输出是pool2
  pooling_param {			  //池化参数设置
    pool: MAX					  //池化方式最大池化
    kernel_size: 2				  //池化核大小2*2
    stride: 2						  //池化步长2
  }
}
layer {                                //定义一个网络层
  name: "ip1"					  //网络层的名称是ip1
  type: "InnerProduct"		  //网络层的类型是全连接层
  bottom: "pool2"			  //网络层的输入是pool2
  top: "ip1"						  //网络层的输出是ip1
  param {
    lr_mult: 1                      //指定weights权重初始化方式
  }
  param {
    lr_mult: 2						 //bias（偏置）的初始化全为0
  }
  inner_product_param {   //全连接层参数设置
    num_output: 500          //输出是一个500维的向量
    weight_filler {
      type: "xavier"             //指定weights权重初始化方式
    }
    bias_filler {
      type: "constant"		    //bias（偏置）的初始化全为0
    }
  }
}
layer {                             //定义一个网络层
  name: "relu1"				   //网络层的名称是relu1
  type: "ReLU"				   //网络层的类型是激活函数层
  bottom: "ip1"			   //网络层的输入是ip1
  top: "ip1"					   //网络层的输出是ip1
}
layer {                               //定义一个网络层
  name: "ip2"					 //网络层的名称是ip2
  type: "InnerProduct"		 //网络层的类型是全连接层
  bottom: "ip1"			     //网络层的输入是ip1
  top: "ip2"						 //网络层的输出是ip2
  param {
    lr_mult: 1                      //指定weights权重初始化方式
  }
  param {
    lr_mult: 2						 //bias（偏置）的初始化全为0
  }
  inner_product_param {    //全连接层参数设置
    num_output: 10			   //输出是一个10维的向量，即0~9的数字
    weight_filler {
      type: "xavier"			       //指定weights权重初始化方式
    }
    bias_filler {
      type: "constant"			   //bias（偏置）的初始化全为0
    }
  }
}
layer {                               //定义一个网络层
  name: "accuracy"			 //网络层的名称是accuracy
  type: "Accuracy"			 //网络层的类型是准确率层
  bottom: "ip2"				 //网络层的输入是ip2和label
  bottom: "label"
  top: "accuracy"               //网络层的输出是accuracy
  include {                         //定义该网络层只在测试阶段有效
    phase: TEST
  }
}
layer {                                    //定义一个网络层
  name: "loss"						  //网络层的名称是loss
  type: "SoftmaxWithLoss"	  //网络层的损失函数采用Softmax计算
  bottom: "ip2"				      //网络层的输入是ip2和label
  bottom: "label"
  top: "loss"				//网络层的输出是loss
}