caffe模型参数解释

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.   
57. 4：全连接层  
58. layer {  
59.   name: "ip1"  
60.   type: "InnerProduct"  
61.   bottom: "pool2"  
62.   top: "ip1"  
63.   param {  
64.     lr_mult: 1  
65.   }  
66.   param {  
67.     lr_mult: 2  
68.   }  
69.   inner_product_param {  
70.     num_output: 500//产生500维的输出数据  
71.     weight_filler {  
72.       type: "xavier"  
73.     }  
74.     bias_filler {  
75.       type: "constant"  
76.     }  
77.   }  
78. }  
79.   
80. 5：ReLU层（紧跟在全连接层后，目的是节省内存）  
81. layer {  
82.   name: "relu1"  
83.   type: "ReLU"  
84.   bottom: "ip1"  
85.   top: "ip1"  
86. }  
87.   
88. ReLU层后紧跟一个InnerProduct层  
89. layer {  
90.   name: "ip2"  
91.   type: "InnerProduct"  
92.   bottom: "ip1"  
93.   top: "ip2"  
94.   param {  
95.     lr_mult: 1  
96.   }  
97.   param {  
98.     lr_mult: 2  
99.   }  
100.   inner_product_param {  
101.     num_output: 10//因为有10类，所以输出10  
102.     weight_filler {  
103.       type: "xavier"  
104.     }  
105.     bias_filler {  
106.       type: "constant"  
107.     }  
108.   }  
109. }  
110.   
111. 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   
112. layer {  
113.   name: "loss"  
114.   type: "SoftmaxWithLoss"  
115.   bottom: "ip2"//需要两个blob,一个是ip2，作为预测用  
116.   bottom: "label"//来自数据层，作为标签  
117.   top: "loss"  
118. }  

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