caffe模型参数解释

作者：wjmishuai

出处： http://blog.csdn.net/wjmishuai/article/details/50890214

1. 原始数据是28*28
2. 1：数据层：
3. layer {
4. name: "mnist"//数据层的名字是mnist
5. type: "Data"//这个层的类型是data
6. top: "data"//产生两个blob，一个是data blob
7. top: "label"//一个是lable blob
8. include {
9. phase: TRAIN
10. }
11. transform_param {
12. scale: 0.00390625//像素归一化
13. }
14. data_param {
15. source: "examples/mnist/mnist_train_lmdb"
16. batch_size: 64
17. backend: LMDB
18. }
19. }
20. 2：卷积层
21. layer {
22. name: "conv1"
23. type: "Convolution"
24. bottom: "data"//获取上一层的data blob
25. top: "conv1"//产生conv1层
26. param {
27. lr_mult: 1//学习率。表示 weight的学习率和slover.pro中的学习率是一致的。
28. }
29. param {
30. lr_mult: 2//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
31. }
32. convolution_param {
33. num_output: 20//cov1层将产生输出20个通道
34. kernel_size: 5//卷积核大小是5*5
35. stride: 1//步长是1
36. 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。
37. type: "xavier"
38. }
39. bias_filler {//偏置填充器，使用constant算法填充bias。是一个常数，默认是0
40. type: "constant"
41. }
42. }
43. }
44. 3：池化层(避免数据过拟合)
45. layer {
46. name: "pool1"
47. type: "Pooling"
48. bottom: "conv1"
49. top: "pool1"
50. pooling_param {
51. pool: MAX//使用MAX进行池化
52. kernel_size: 2//卷积核大小是2*2
53. stride: 2//步长是2
54. }
55. }
56. 4：全连接层
57. layer {
58. name: "ip1"
59. type: "InnerProduct"
60. bottom: "pool2"
61. top: "ip1"
62. param {
63. lr_mult: 1
64. }
65. param {
66. lr_mult: 2
67. }
68. inner_product_param {
69. num_output: 500//产生500维的输出数据
70. weight_filler {
71. type: "xavier"
72. }
73. bias_filler {
74. type: "constant"
75. }
76. }
77. }
78. 5：ReLU层（紧跟在全连接层后，目的是节省内存）
79. layer {
80. name: "relu1"
81. type: "ReLU"
82. bottom: "ip1"
83. top: "ip1"
84. }
85. ReLU层后紧跟一个InnerProduct层
86. layer {
87. name: "ip2"
88. type: "InnerProduct"
89. bottom: "ip1"
90. top: "ip2"
91. param {
92. lr_mult: 1
93. }
94. param {
95. lr_mult: 2
96. }
97. inner_product_param {
98. num_output: 10//因为有10类，所以输出10
99. weight_filler {
100. type: "xavier"
101. }
102. bias_filler {
103. type: "constant"
104. }
105. }
106. }
107. 6：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
108. layer {
109. name: "loss"
110. type: "SoftmaxWithLoss"
111. bottom: "ip2"//需要两个blob,一个是ip2，作为预测用
112. bottom: "label"//来自数据层，作为标签
113. top: "loss"
114. }

name: 表示该层的名称，可随意取

type: 层类型，如果是Data，表示数据来源于LevelDB或LMDB。根据数据的来源不同，数据层的类型也不同（后面会详细阐述）。一般在练习的时候，我们都是采 用的LevelDB或LMDB数据，因此层类型设置为Data。

top或bottom: 每一层用bottom来输入数据，用top来输出数据。如果只有top没有bottom，则此层只有输出，没有输入。反之亦然。如果有多个 top或多个bottom，表示有多个blobs数据的输入和输出。

data 与 label: 在数据层中，至少有一个命名为data的top。如果有第二个top，一般命名为label。 这种(data,label)配对是分类模型所必需的。

include: 一般训练的时候和测试的时候，模型的层是不一样的。该层（layer）是属于训练阶段的层，还是属于测试阶段的层，需要用include来指定。如果没有include参数，则表示该层既在训练模型中，又在测试模型中。

Transformations: 数据的预处理，可以将数据变换到定义的范围内。如设置scale为0.00390625，实际上就是1/255, 即将输入数据由0-255归一化到0-1之间