caffe网络配置--各计算层
卷积层
layer {
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
param {
lr_mult: 1 //学习率系数 最终学习率=solver中的学习率*lr_mult
}
param {
lr_mult: 2 //若有两个ir_mult：则第一个表示权值学习率；第二个表示偏置项学习率。一般
} 偏置项学习率是权值学习率2倍。
convolution_param {
num_output: 32 //卷积核filter个数
pad: 2 //默认为0
kernel_size: 5
stride: 1
weight_filler {
type: "gaussian" //权值初始化。默认为constant：全0。很多时候用xavier初
std: 0.0001 始化，也可设置为gaussian
}
bias_filler {
type: "constant" //偏置项初始化，constant为全0
}
}
}
输入：n*c0*w0*h0
输出：n*c1*w1*h1
c1即特征图个数
w1 = （w0+2*pad-kernel_size）/stride+1
h1 = （h0+2*pad-kernel_size）/stride+1
准确率输出
layer {
name: "accuracy"
type: "Accuracy"
bottom: "ip2"
bottom: "label"
top: "accuracy"
include {
phase: TEST
}
}
分类层
layer {
name: "loss"
type: "SoftmaxWithLoss" //输出loss值
bottom: "ip2"
bottom: "label"
top: "loss"
}
layer {
name: "prob"
type: "Softmax" //输出概率值
bottom: "ip2"
bottom: "label"
top: "prob"
}
维度变换层
layer {
name: "reshape"
type: "Reshape" //不改变输入的数据值的大小，仅改变维度
bottom: "input"
top: "output"
reshape_param{
shape{ //0:表示维度不变，-1表示系统自动计算维度。其它值：将原维度变为其它值
dim:0
dim:0
dim:0
dim: -1
}
}
}
原数据为（32*3*28*28）——> shape｛0，0，14，-1｝——>（32*3*14*56）
Dropout层
//防止过拟合
layer {
name: "drop"
type: "Dropout"
bottom: "ip2" //输入输出为同一层
top: "ip2"
dropout_param{
dropout_ratio:0.5
}
}
激活函数层
太简单，不做说明
polling层
参考卷积层