caffe模型的一些解释~

转自：https://blog.csdn.net/wjmishuai/article/details/50890214

刚开始摸caffe，找了个比较清楚的模型。

原始数据是28* 

input: "data"
input_dim: 60 // number of picture
input_dim: 1 // channel
input_dim: 1 // heigth
input_dim: 784 // width

input: "data"
input_dim: 60 // number of picture
input_dim: 1 // channel
input_dim: 1 // heigth
input_dim: 784 // width

：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:
    backend: LMDB
  }
}
：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: //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: //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: //cov1层将产生输出20个通道
    kernel_size: //卷积核大小是5*5
    stride: //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"
    }
  }
}
：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: //卷积核大小是2*2
    stride: //步长是2
  }
}  

：全连接层
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult:
  }
  param {
    lr_mult:
  }
  inner_product_param {
    num_output: //产生500维的输出数据
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}  

：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:
  }
  param {
    lr_mult:
  }
  inner_product_param {
    num_output: //因为有10类，所以输出10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}  

：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"
}