版權聲明：本文為博主原創文章，轉載請注明出處。 https://blog.csdn.net/Cheese_pop/article/details/52024980
DATA
crop:截取原圖像中一個固定patch
layers {
name: "data" type: DATA top: "data" top: "label" data_param { source: "../data/ImageNet/imagenet-train" #數據存放位置 batch_size: 128 #一次批處理的大小，視內存大小而定。四維數組N*C*H*W中的N backend: LMDB #數據庫類型，默認為leveldb } include: { phase: TRAIN } #如果加了這一行的話表示是在訓練過程中使用該層，可將TRAIN替換為TEST }
CONVOLUTION
layer {
name: "conv" type: "Convolution" bottom: "data" top: "conv" param { lr_mult: 1 #權重的學習率 該層lr=lr_mult*base_lr decay_mult: 1 #權重的衰減值 } param { lr_mult: 2 #偏置項的學習率 decay_mult: 0 #偏置項的衰減值 } convolution_param { num_output: 96 #該層輸出的filter的個數。四維數組N*C*H*W中的W kernel_size: 11 #卷積核大小11*11。可設定長kernel_h與寬kernel_w stride: 4 #步長，也就是卷積核滑動的距離 weight_filler { #卷積核初始化方式 type: "gaussian" #高斯分布 std: 0.01 #標准差為0.01 } bias_filler { #偏置項初始化方式 type: "constant" #連續分布 value: 0 } } }
這里說一下關於weight_filler和bias_filler的幾種設定方式：
| TYPE | PARAM | EXPLAIN |
|---|---|---|
| Constant | Value | 以常量初始化，初始化值為[Value] |
| Gaussian | std,mean | 以高斯分布方式初始化，均值為[mean],標准差為[std] |
| uniform | min,max | 均勻分布，[min,max] |
| xavier | scale | 均勻分布，[-scale,scale],scale=sqrt(3/K*H*W) |
RELU
layer { name: "relu" type: "ReLU" bottom: "conv" top: "conv" }
Relu標准函數：f(x)=max(0,x)f(x)=max(0,x)。
當未指定negative_slope值時，為標准Relu層；指定negative_slope值時，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#對於cross channel LRN，表示需要求和的channel的數量；對於within channel LRN，表示需要求和的空間區域的邊長。默認為5 alpha: 0.0001 #LRN公式中的參數alpha beta: 0.75 #LRN公式中的參數beta } }
POOLING
layer {
name: "pool" type: "Pooling" bottom: "norm1" top: "pool1" pooling_param { pool: MAX #有三種池化方式：MAX,AVG,STOCHASTIC kernel_size: 3 #卷積核大小;可設定長kernel_h與寬kernel_w stride: 2 #步長 } }
INNERPRODUCT
參數和卷積層幾乎一樣，僅貼出代碼，不做過多解釋
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 }
默認為top_1，添加該項后，選擇測試top_k准確率。
SOFTMAX_LOSS
layers { name: "loss" type: SOFTMAX_LOSS bottom: "pool3" bottom: "label" top: "loss" include: { phase: TRAIN } }
注意，在計算softmax_loss前，將pool3層默認經過了一次softmax計算。
另外，以上所有層的name項都是自己隨意定的，只要好辨認，不重復就可以。