caffe模型的一些解釋~

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

剛開始摸caffe，找了個比較清楚的模型。

原始數據是28*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

1：數據層：  
layer {  
  name: "mnist"//數據層的名字是mnist  
  type: "Data"//這個層的類型是data  
  top: "data"//產生兩個blob，一個是data blob  
  top: "label"//一個是lable blob  
  include {  
    phase: TRAIN  
  }  
  transform_param {  
    scale: 0.00390625//像素歸一化  
  }  
  data_param {  
    source: "examples/mnist/mnist_train_lmdb"  
    batch_size: 64  
    backend: LMDB  
  }  
}  
2：卷積層  
layer {  
  name: "conv1"  
  type: "Convolution"  
  bottom: "data"//獲取上一層的data blob  
  top: "conv1"//產生conv1層  
  param {  
    lr_mult: 1//學習率。表示 weight的學習率和slover.pro中的學習率是一致的。  
  }  
  param {  
    lr_mult: 2//表示 bias的學習率是slover.pro中的學習率的2倍。  這樣設置會導致更快的收斂  
  }  
  convolution_param {  
    num_output: 20//cov1層將產生輸出20個通道  
    kernel_size: 5//卷積核大小是5*5  
    stride: 1//步長是1  
    weight_filler {//權重填充器，使用xavier算法填充weight。根據輸入和輸出神經元的數量自動確定初始化的規模。  
      type: "xavier"  
    }  
    bias_filler {//偏置填充器，使用constant算法填充bias。是一個常數，默認是0  
      type: "constant"  
    }  
  }  
}  
3：池化層(避免數據過擬合)  
layer {  
  name: "pool1"  
  type: "Pooling"  
  bottom: "conv1"  
  top: "pool1"  
  pooling_param {  
    pool: MAX//使用MAX進行池化  
    kernel_size: 2//卷積核大小是2*2  
    stride: 2//步長是2  
  }  
}  
  
4：全連接層  
layer {  
  name: "ip1"  
  type: "InnerProduct"  
  bottom: "pool2"  
  top: "ip1"  
  param {  
    lr_mult: 1  
  }  
  param {  
    lr_mult: 2  
  }  
  inner_product_param {  
    num_output: 500//產生500維的輸出數據  
    weight_filler {  
      type: "xavier"  
    }  
    bias_filler {  
      type: "constant"  
    }  
  }  
}  
  
5：ReLU層（緊跟在全連接層后，目的是節省內存）  
layer {  
  name: "relu1"  
  type: "ReLU"  
  bottom: "ip1"  
  top: "ip1"  
}  
  
ReLU層后緊跟一個InnerProduct層  
layer {  
  name: "ip2"  
  type: "InnerProduct"  
  bottom: "ip1"  
  top: "ip2"  
  param {  
    lr_mult: 1  
  }  
  param {  
    lr_mult: 2  
  }  
  inner_product_param {  
    num_output: 10//因為有10類，所以輸出10  
    weight_filler {  
      type: "xavier"  
    }  
    bias_filler {  
      type: "constant"  
    }  
  }  
}  
  
6：Loss層//不產生任何輸出，只是用來計算損失函數的值，用來初始化ip2的gradient   
layer {  
  name: "loss"  
  type: "SoftmaxWithLoss"  
  bottom: "ip2"//需要兩個blob,一個是ip2，作為預測用  
  bottom: "label"//來自數據層，作為標簽  
  top: "loss"  
}