caffe模型的一些解释~

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

刚开始摸caffe，找了个比较清楚的模型。

原始数据是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：数据层：  
layer {  
  name: "mnist"//数据层的名字是mnist  
  type: "Data"//这个层的类型是data  
  top: "data"//产生两个blob，一个是data blob  
  top: "label"//一个是lable blob  
  include {  
    phase: TRAIN  
  }  
  transform_param {  
    scale: 0.00390625//像素归一化  
  }  
  data_param {  
    source: "examples/mnist/mnist_train_lmdb"  
    batch_size: 64  
    backend: LMDB  
  }  
}  
2：卷积层  
layer {  
  name: "conv1"  
  type: "Convolution"  
  bottom: "data"//获取上一层的data blob  
  top: "conv1"//产生conv1层  
  param {  
    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。  
  }  
  param {  
    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  
  }  
  convolution_param {  
    num_output: 20//cov1层将产生输出20个通道  
    kernel_size: 5//卷积核大小是5*5  
    stride: 1//步长是1  
    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。  
      type: "xavier"  
    }  
    bias_filler {//偏置填充器，使用constant算法填充bias。是一个常数，默认是0  
      type: "constant"  
    }  
  }  
}  
3：池化层(避免数据过拟合)  
layer {  
  name: "pool1"  
  type: "Pooling"  
  bottom: "conv1"  
  top: "pool1"  
  pooling_param {  
    pool: MAX//使用MAX进行池化  
    kernel_size: 2//卷积核大小是2*2  
    stride: 2//步长是2  
  }  
}  
  
4：全连接层  
layer {  
  name: "ip1"  
  type: "InnerProduct"  
  bottom: "pool2"  
  top: "ip1"  
  param {  
    lr_mult: 1  
  }  
  param {  
    lr_mult: 2  
  }  
  inner_product_param {  
    num_output: 500//产生500维的输出数据  
    weight_filler {  
      type: "xavier"  
    }  
    bias_filler {  
      type: "constant"  
    }  
  }  
}  
  
5：ReLU层（紧跟在全连接层后，目的是节省内存）  
layer {  
  name: "relu1"  
  type: "ReLU"  
  bottom: "ip1"  
  top: "ip1"  
}  
  
ReLU层后紧跟一个InnerProduct层  
layer {  
  name: "ip2"  
  type: "InnerProduct"  
  bottom: "ip1"  
  top: "ip2"  
  param {  
    lr_mult: 1  
  }  
  param {  
    lr_mult: 2  
  }  
  inner_product_param {  
    num_output: 10//因为有10类，所以输出10  
    weight_filler {  
      type: "xavier"  
    }  
    bias_filler {  
      type: "constant"  
    }  
  }  
}  
  
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   
layer {  
  name: "loss"  
  type: "SoftmaxWithLoss"  
  bottom: "ip2"//需要两个blob,一个是ip2，作为预测用  
  bottom: "label"//来自数据层，作为标签  
  top: "loss"  
}