大家好，我最近在caffe上学习深度学习，跑了一个mnist手写识别的例子，但是当时在网上搜索，只有告诉你步骤该怎么做，但具体的caffe执行程序的编写没有一步步告诉你是什么意思，我现在来总结一下，还在学习，有误欢迎指正。
总体框架如下：
首先我们需要下载数据库，下载好后，用create_mnist.sh将格式转换为lmdb格式并生成mnist_test_lmdb和mnist_train_lmdb两个文件夹，第二步我们编写lenet_solver.prototxt和lenet_train_test.prototxt文件搭好学习框架，最后运行train_lenet.sh进行训练。这些执行步骤和代码网上有很多详细说明，此处不再赘述。
下面来解析一下lenet_solver.prototxt和lenet_train_test.prototxt
在lenet_train_test.prototxt中，首先说数据层
layer{
name:"mnist"#层名称，可随便取
type:"data"#层类型
top:"data"#在前向传播中，输出数据类型为top，输入数据类型为bottom
top:"label"#在后向传播中，输出数据类型为bottom，输出数据类型为top
include{
phase:TRAIN#表示这一层是用于训练还是测试，如果没有include表示训练测试都可用
}
transform_param{
scale:o.oo390625#数据预处理，将数据变换到定义的范围内，例如此处scale为1/255，即将输入数据有0-255归一化到0-1
}
data_param{
source:"mnist/mnist_train_lmdb"#包含数据库的目录名称
batch_size:100#每次处理的数据个数
backend:LMDB#选择采用Level1DB还是LMDB，默认为Level1DB
}
}
然后是CNN卷积层
layer{
name:"conv1"
type:"convolution"
bottom:"data"
top:"conv1"
param{
lr_mult:1#学习率系数，如有两个学习率系数，则第一个是权重的学习率，第二个是偏置的学习率
}
param{
lr_mult:2#一般偏置的学习率是权重的两倍
}
convolution_param{
num_output:20#卷积和的个数
kernel_size:5#卷积核大小
stride:1#卷积核步长，默认为1
weight_filler{
type:"xavier"#权重初始化
}
bias_filler{
type:"constant"#偏置初始化
}
}
}
接着是池化层
layer{
name:"pool1"
type:"Pooling"
bottom:"conv1"
top:"pool1"
pooling_param{
pool:MAX
kernel_size:2
stride:2
}
}
全连接层
layer{#把输入当做一个向量，输出也是一个简单向量，即把输入数据blobs的width和height全变为1
name:"ip1"
type:"InnerProduct"
bottom:"pool2"
param{
lr_mult:1#学习率系数，如有两个学习率系数，则第一个是权重的学习率，第二个是偏置的学习率
}
param{
lr_mult:2#一般偏置的学习率是权重的两倍
}
inner_product_param{
num_output:500#卷积和的个数,在全连接层卷积核大小和原数据大小一致
weight_filler{
type:"xavier"#权重初始化
}
bias_filler{
type:"constant"#偏置初始化
}
}
}
剩下的还有accuracy层等等，但跟已经介绍的用法类似，可以举一反三。
希望对大家有帮助，我们下期见！