对比 Caffe 中 train_val.prototxt 和 deploy.prototxt 文件

首先，这两个文件有一个最大的不同点，train_val.prototxt 文件是网络配置文件，该文件是在训练的时候用的。deploy.prototxt 文件是在测试时使用的文件。下面以 Caffe 官方给出的 mnist 训练相关的文件作出详细注释说明：

name: "LeNet"
layer {
  name: "mnist"       #输入层的名称mnist
  type: "Data"        #输入层的类型data层
  top: "data"         #层的输出blob有两个：data和label
  top: "label"
  include {
    phase: TRAIN      #训练阶段，该层参数只在训练阶段有效
  }
  transform_param {
    scale: 0.00390625 #输入像素归一化到【0,1】 1/256=0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"  #LMDB的路径
    batch_size: 64                             #一次读取64张图
    backend: LMDB                              #数据格式为LMDB
  }
}
layer { #一个新数据层，名字也叫作mnist,输出blob也是data和label，但是这里定义的参数只在分类阶段有效
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST   #测试阶段
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_test_lmdb"
    batch_size:100                 #batchsize大小，乘以test_iter = 测试集大小
    backend: LMDB
  }
}
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"     #本层使用上一层的data,生成下一层conv1的blob
  top: "conv1"
  param {
    lr_mult: 1       #权重参数w的学习率倍数，1表示保持与全局参数一致
  }
  param {
    lr_mult: 2       #偏置参数b的学习率倍数，是全局参数的2倍
  }
  convolution_param {
    num_output: 20      #输出单元数20
    kernel_size: 5      #卷积核大小为5*5
    stride: 1           #步长为1
    weight_filler {     #权值使用xavier填充器
      type: "xavier"    
    }
    bias_filler {       #bias使用常数填充器，默认为0
      type: "constant"  
    }
  }
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"     #本层的上一层是conv1，生成下一层Pool1的blob
  top: "pool1"
  pooling_param {     #下采样参数
    pool: MAX         #使用最大值下采样方法
    kernel_size: 2    #pooling核是2*2
    stride: 2         #pooling步长是2
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 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 {                    #新的全连接层，输入blob为pool2,输出blob为ip1
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {    #全连接层的参数
    num_output: 5          #输出500个节点
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {                   #新的非线性层，用RELU方法
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}
layer {                   #第二个全连接层
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10        #输出10个单元
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {    #分类准确率层（计算网络输出相对目标值的准确率），只在testing阶段有效，输入blob为iP2和label，输出blob为accuracy
  name: "accuracy"        #该层用于计算分类准确率
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}
layer {   #损失层，损失函数采用softmaxloss,输入blob为iP2和label，输出blob为loss
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

对比 deploy.prototxt 文件（此处不再列出）可以看出，deploy.prototxt 文件是在 train_val.prototxt 文件的基础上删除了一些东西，所形成的。train_val.prototxt 文件里面训练的部分都会在 deploy.prototxt 文件中删除。

train_val.prototxt	deploy.prototxt
开头要加入一下训练设置文件和准备文件。例如，transform_param 中的 mirror: true（开启镜像）；crop_size:（图像尺寸）；mean_file: “”（求解均值的文件），还有 data_param 中的source:”“（处理过得数据训练集文件）；batch_size:（训练图片每批次输入图片的数量）；backend: LMDB（数据格式设置）。然后，训练的时候还有一个测试的设置，测试和训练模式的设置通过一个 include{phase: TEST/TRAIN} 来设置。接下来就是要设置 TEST 模块内容。然后其他设置跟上面一样，里面有个 batch_size 可以调小一点，因为测试的话不需要特别多的图片数量。	只有一个数据层的设置。只需设置 name，type，top，input_param 这些即可。
第一个卷积层的设置, 多了param（反向传播学习率的设置），这里需要设置两个 param，一个是 weight 的学习率，一个是 bias 的学习率，其中一般 bias 的学习率是 weight 学习率的两倍	无
设置convolution_param, 需要有对weight_filler的初始化和对bias_filler的初始化。	无初始化操作
全连接层需要对 weight_filler 和 bias_filler 初始化。需要设置学习率	无初始化和学习率设置操作
接下来就是 Accuracy，这个层是用来计算网络输出相对目标值的准确率，它实际上并不是一个损失层，所以没有反传操作。	无
损失层 loss	将损失层 loss 改为 prob