[caffe] 史上最透彻的lenet.prototxt解析

// 输入层的定义：
name: "LeNet" （网络的名字）
　　layer { （定义一个网络层）
　　name: "data" (网络层的名字为 data)
　　type: "Input" （网络层的类型，输入）
　　top: "data" （该网络层的输出叫 data ）
　　input_param { shape: { dim: 64 dim: 1 dim: 28 dim: 28 } } }（64张图像为一批，28*28大小）
} 
////读取这批数据维度：64 1 28 28

// 第一卷积层的定义： 
layer { 
　　name: "conv1" (网络层的名字为 conv1)
　　type: "Convolution" （网络层类型是 卷积层）
　　bottom: "data" （该层的输入层是 data 层）
　　top: "conv1" (该层的输出层叫 conv1 feature maps)
　　param { 
　　　　lr_mult: 1 （weights的学习率与全局相同）
　　} 
　　param { 
　　　　lr_mult: 2 （biases的学习率是全局的2倍)
　　} 
　　convolution_param { {（卷积操作参数设置）
　　　　num_output: 20 （卷积输出数量20，由20个特征图Feature Map构成）
　　　　kernel_size: 5 (卷积核的大小是5*5）
　　　　stride: 1 （卷积操作步长）
　　　　weight_filler { 
　　　　　　type: "xavier" （卷积滤波器的参数使用 xavier 方法来初始化）
　　　　} 
　　　　bias_filler { 
　　　　　　type: "constant" （bias使用0初始化）
　　　　} 
　　} 
} 
////卷积之后这批数据维度：64 20 24 24

// 第一池化层定义： 
layer { 
　　name: "pool1" （网络层的名字是 pool1 ）
　　type: "Pooling" （网络层的类型是 池化操作）
　　bottom: "conv1" （网络层的输入是 conv1 feature maps）
　　top: "pool1" （网络层的输出是 pool1）
　　pooling_param { （池化参数设置）
　　　　pool: MAX （最大池化操作）
　　　　kernel_size: 2 （池化核尺寸，2*2 区域池化）
　　　　stride: 2 （池化步长）
　　} 
} 
////池化之后这批数据维度：64 20 12 12

// 第二卷积层的定义：
layer { 
　　name: "conv2" （该网络层的名字）
　　type: "Convolution" （该网络层的类型，卷积）
　　bottom: "pool1" （该网络层的输入是 pool1）
　　top: "conv2" （该网络层的输出是 conv2， feature maps）
　　param { 
　　　　lr_mult: 1 （weights的学习率与全局相同）
　　} 
　　param { 
　　　　lr_mult: 2 （biases的学习率是全局的2倍)
　　} 
　　convolution_param { (卷积参数设置)
　　　　num_output: 50 （卷积的输出个数，由50个特征图Feature Map构成）
　　　　kernel_size: 5 （卷积核尺寸 5*5）
　　　　stride: 1 （卷积步长）
　　　　weight_filler { 
　　　　　　type: "xavier" 
　　　　} 
　　　　bias_filler { 
　　　　　　type: "constant" 
　　　　} 
　　} 
}
////卷积之后这批数据维度：64 50 8 8

// 第二池化层的定义：
layer { 
　　name: "pool2" 
　　type: "Pooling" 
　　bottom: "conv2" 
　　top: "pool2" 
　　pooling_param { 
　　　　pool: MAX 
　　　　kernel_size: 2 
　　　　stride: 2 
　　} 
}
////池化之后这批数据维度：64 50 4 4

// 第一层全链接层的定义：
layer { 
　　name: "ip1" (该网络层的名字 ip1)
　　type: "InnerProduct" (该网络层的类型是 全链接层)
　　bottom: "pool2" （该层的输入是 pool2）
　　top: "ip1" （该层的输出是 ip1）
　　param { 
　　　　lr_mult: 1 
　　} 
　　param { 
　　　　lr_mult: 2 
　　} 
　　inner_product_param { (全链接层的 参数设置)
　　　　num_output: 500 （500个输出神经元）
　　　　weight_filler { 
　　　　　　type: "xavier" 
　　　　} 
　　　　bias_filler { 
　　　　　　type: "constant" 
　　　　} 
　　} 
} 
////500 个神经元

// 激活函数层的定义：
layer { 
　　name: "relu1" （该网络层的名字 relu1） 
　　type: "ReLU" （该网络层的类型， ReLU 激活函数）
　　bottom: "ip1" （该层的输入是 ip1）
　　top: "ip1" （该层的输出还是 ip1,底层与顶层相同是为了减少开支）
}

// 第二全链接层的定义：（数据的分类判断在这一层中完成）
layer { 
　　name: "ip2" 
　　type: "InnerProduct" 
　　bottom: "ip1" 
　　top: "ip2" 
　　param { 
　　　　lr_mult: 1 
　　} 
　　param { 
　　　　lr_mult: 2 
　　} 
　　inner_product_param { 
　　　　num_output: 10 （直接输出结果，0-9，十个数字所以维度是10）
　　　　weight_filler { 
　　　　　　type: "xavier" 
　　　　} 
　　　　bias_filler { 
　　　　　　type: "constant" 
　　　　} 
　　} 
}

// 输出层的定义：
layer { 
　　name: "prob" 
　　type: "Softmax" （损失函数）
　　bottom: "ip2" 
　　top: "prob" 
}