版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/Cheese_pop/article/details/52024980
DATA
crop:截取原图像中一个固定patch
layers {
name: "data" type: DATA top: "data" top: "label" data_param { source: "../data/ImageNet/imagenet-train" #数据存放位置 batch_size: 128 #一次批处理的大小，视内存大小而定。四维数组N*C*H*W中的N backend: LMDB #数据库类型，默认为leveldb } include: { phase: TRAIN } #如果加了这一行的话表示是在训练过程中使用该层，可将TRAIN替换为TEST }
CONVOLUTION
layer {
name: "conv" type: "Convolution" bottom: "data" top: "conv" param { lr_mult: 1 #权重的学习率 该层lr=lr_mult*base_lr decay_mult: 1 #权重的衰减值 } param { lr_mult: 2 #偏置项的学习率 decay_mult: 0 #偏置项的衰减值 } convolution_param { num_output: 96 #该层输出的filter的个数。四维数组N*C*H*W中的W kernel_size: 11 #卷积核大小11*11。可设定长kernel_h与宽kernel_w stride: 4 #步长，也就是卷积核滑动的距离 weight_filler { #卷积核初始化方式 type: "gaussian" #高斯分布 std: 0.01 #标准差为0.01 } bias_filler { #偏置项初始化方式 type: "constant" #连续分布 value: 0 } } }
这里说一下关于weight_filler和bias_filler的几种设定方式：
| TYPE | PARAM | EXPLAIN |
|---|---|---|
| Constant | Value | 以常量初始化，初始化值为[Value] |
| Gaussian | std,mean | 以高斯分布方式初始化，均值为[mean],标准差为[std] |
| uniform | min,max | 均匀分布，[min,max] |
| xavier | scale | 均匀分布，[-scale,scale],scale=sqrt(3/K*H*W) |
RELU
layer { name: "relu" type: "ReLU" bottom: "conv" top: "conv" }
Relu标准函数：f(x)=max(0,x)f(x)=max(0,x)。
当未指定negative_slope值时，为标准Relu层；指定negative_slope值时，f(x)={x,negative_slope×x,x>0x≤0f(x)={x,x>0negative_slope×x,x≤0
LRN
layer {
name: "norm" type: "LRN" bottom: "conv" top: "norm" lrn_param { local_size: 5#对于cross channel LRN，表示需要求和的channel的数量；对于within channel LRN，表示需要求和的空间区域的边长。默认为5 alpha: 0.0001 #LRN公式中的参数alpha beta: 0.75 #LRN公式中的参数beta } }
POOLING
layer {
name: "pool" type: "Pooling" bottom: "norm1" top: "pool1" pooling_param { pool: MAX #有三种池化方式：MAX,AVG,STOCHASTIC kernel_size: 3 #卷积核大小;可设定长kernel_h与宽kernel_w stride: 2 #步长 } }
INNERPRODUCT
参数和卷积层几乎一样，仅贴出代码，不做过多解释
layer { name: "fc7" type: "InnerProduct" bottom: "fc6" top: "fc7" param { lr_mult: 1 decay_mult: 1 } param { lr_mult: 2 decay_mult: 0 } inner_product_param { num_output: 4096 weight_filler { type: "gaussian" std: 0.005 } bias_filler { type: "constant" value: 0.1 } } }
ACCURACY
layer { name: "accuracy" type: "Accuracy" bottom: "fc8" bottom: "label" top: "accuracy" include {phase: TEST} }
可添加
accuracy_param { top_k: 5 }
默认为top_1，添加该项后，选择测试top_k准确率。
SOFTMAX_LOSS
layers { name: "loss" type: SOFTMAX_LOSS bottom: "pool3" bottom: "label" top: "loss" include: { phase: TRAIN } }
注意，在计算softmax_loss前，将pool3层默认经过了一次softmax计算。
另外，以上所有层的name项都是自己随意定的，只要好辨认，不重复就可以。