从零开始学caffe（四）：mnist手写数字识别网络结构模型和超参数文件的源代码阅读

下面为网络结构模型

%网络结构模型
name: "LeNet"               #网络的名字"LeNet"
layer {                     #定义一个层
  name: "mnist"             #层的名字"mnist"
  type: "Data"              #层的类型"Data"，表明数据来源于LevelDB或LMDB。另外数据的来源还可能是来自内存，HDF5，图片等
  top: "data"               #top表示输出，在这里输出data
  top: "label"              #这一层共有两个输出，这里输出label
  include {
    phase: TRAIN            #该层只在TRAIN训练的时候有效
  }
  transform_param {         #数据的预处理
    scale: 0.00390625       #即1/256，将输入的数据0-255归一化到0-1之间
  }
  data_param {
    source: "E:/Caffe-windows/caffe-windows/examples/mnist/lmdb/train_lmdb" #数据来源
    batch_size: 64          #每个批次处理64张图片
    backend: LMDB           #数据格式LMDB
  }
}
layer {                     #定义一个层
  name: "mnist"             #层的名字"mnist"
  type: "Data"              #层的类型"Data"，表明数据来源于LevelDB或LMDB
  top: "data"               #输出dada
  top: "label"              #输出label
  include {                 
    phase: TEST             #该层只在TEST测试的时候有效
  }                         
  transform_param {         #数据的预处理
    scale: 0.00390625       #1/256，将输入的数据0-255归一化到0-1之间
  }
  data_param {
    source: "E:/Caffe-windows/caffe-windows/examples/mnist/lmdb/test_lmdb" #数据来源
    batch_size: 100         #每个批次处理100张图片
    backend: LMDB           #数据格式LMDB
  }
}
layer {                     #定义一个层
  name: "conv1"             #层的名字"conv1"
  type: "Convolution"       #层的类型"Convolution"
  bottom: "data"            #输入data
  top: "conv1"              #输出conv1
  param {                   #这个是权值的学习率
    lr_mult: 1              #学习率系数。最终的学习率是这个学习率系数lr_mult乘以solver.prototxt超参数文件里面的base_lr（基本学习率）
  }
  param {                   #这个是偏置的学习率
    lr_mult: 2              #学习率系数。最终的学习率是这个学习率系数lr_mult乘以solver.prototxt里面的base_lr
  }
  convolution_param {
    num_output: 20          #卷积核的个数为20，或者表示输出特征平面的个数为20
    kernel_size: 5          #卷积核的大小5*5。如果卷积核长和宽不等，则需要用kernel_h和kernel_w分别设置
    stride: 1               #步长为1。也可以用stride_h和stride_w来设置
    weight_filler {         #权值初始化
      type: "xavier"        #使用"Xavier"算法，也可以设置为"gaussian"
    }
    bias_filler {           #偏置初始化
      type: "constant"      #一般设置为"constant",取值为0
    }
  }
}
layer {                     #定义一个层
  name: "pool1"             #层的名字"pool1"
  type: "Pooling"           #层的类型"Pooling"
  bottom: "conv1"           #输入conv1
  top: "pool1"              #输出pool1
  pooling_param {           
    pool: MAX               #池化方法。常用的方法有MAX,AVE或STOCHASTIC
    kernel_size: 2          #池化核的大小2*2。如果池化核长和宽不等，则需要用kernel_h和kernel_w分别设置
    stride: 2               #池化的步长。也可以用stride_h和stride_w来设置
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50          #卷积核的个数为50，或者表示输出特征平面的个数为50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layer {                     #定义一个层
  name: "ip1"               #层的名字"ip1"
  type: "InnerProduct"      #层的类型"InnerProduct"，全连接层
  bottom: "pool2"           #输入pool2
  top: "ip1"                #输出ip1
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500         #500个神经元
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {                     #定义一个层
  name: "relu1"             #层的名字"relu1"
  type: "ReLU"              #层的类型"ReLU"，激活函数，可以防止梯度消失和梯度爆炸
  bottom: "ip1"             #输入ip1
  top: "ip1"                #输出ip1
}
layer {                     #定义一个层
  name: "ip2"               #层的名字"ip2"
  type: "InnerProduct"      #层的类型"InnerProduct"，全连接层
  bottom: "ip1"             #输入ip1
  top: "ip2"                #输出ip2
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10          #10个输出，代表10个分类
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {                     #定义一个层
  name: "accuracy"          #层的名字"accuracy"
  type: "Accuracy"          #层的类型"Accuracy"，用来判断准确率
  bottom: "ip2"             #层的输入ip2
  bottom: "label"           #层的输入label
  top: "accuracy"           #层的输出accuracy
  include {
    phase: TEST             #该层只在TEST测试的时候有效
  }
}
layer {                     #定义一个层
  name: "loss"              #层的名字"loss"
  type: "SoftmaxWithLoss"   #层的类型"SoftmaxWithLoss"，输出loss值
  bottom: "ip2"             #层的输入ip2
  bottom: "label"           #层的输入label
  top: "loss"               #层的输出loss
}

下面为超参数文件的代码

#网络模型描述文件
#也可以用train_net和test_net来对训练模型和测试模型分别设定
#train_net: "xxxxxxxxxx"
#test_net: "xxxxxxxxxx"
net: "E:/Caffe-windows/caffe-windows/examples/mnist/lenet_train_test.prototxt"传入模型文件
#这个参数要跟test_layer结合起来考虑，在test_layer中一个batch是100，而总共的测试图片是10000张
#所以这个参数就是10000/100=100
test_iter: 100
#每训练500次进行一次测试
test_interval: 500
#基本学习率，最终学习率还需要乘以一个参数
base_lr: 0.01
#动力
momentum: 0.9
#type:SGD #优化算法的选择。这一行可以省略，因为默认值就是SGD，Caffe中一共有6中优化算法可以选择
#Stochastic Gradient Descent (type: "SGD"), 在Caffe中SGD其实应该是Momentum
#AdaDelta (type: "AdaDelta"),
#Adaptive Gradient (type: "AdaGrad"),
#Adam (type: "Adam"),
#Nesterov’s Accelerated Gradient (type: "Nesterov")
#RMSprop (type: "RMSProp")
#权重衰减项，其实也就是正则化项。作用是防止过拟合
weight_decay: 0.0005
#学习率调整策略
#如果设置为inv,还需要设置一个power, 返回base_lr * (1 + gamma * iter) ^ (- power)，其中iter表示当前的迭代次数
lr_policy: "inv"
gamma: 0.0001
power: 0.75
#每训练100次屏幕上显示一次，如果设置为0则不显示
display: 100
#最大迭代次数
max_iter: 2000
#快照。可以把训练的model和solver的状态进行保存。每迭代5000次保存一次，如果设置为0则不保存
snapshot: 5000
snapshot_prefix: "E:/Caffe-windows/caffe-windows/examples/mnist/models"
#选择运行模式，这里以CPU进行模型的运行
solver_mode: CPU