1.数据层

layer {
　　name: "cifar"
　　type: "Data"
　　top: "data" #一般用bottom表示输入,top表示输出，多个top代表有多个输出
　　top: "label"
　　include {
　　phase: TRAIN #训练网络分为训练阶段和自测试阶段,如果没写include则表示该层即在测试中，又在训练中
　　}
　　transform_param {
　　mean_file: "examples/cifar10/mean.binaryproto" #用一个配置文件来进行均值的操作
　　transform_param {
　　scale: 0.00390625
　　mirror: 1 # 1表示开启镜像，0表示关闭，也可用ture和false来表示
　　# 剪裁一个 227*227的图块，在训练阶段随机剪裁，在测试阶段从中间裁剪
　　crop_size: 227
　　}
　　}
　　data_param {
　　source: "examples/cifar10/cifar10_train_lmdb" #数据库来源
　　batch_size: 64 #每次批处理的个数
　　backend: LMDB #选用数据的名称
　　}
}

### 使用LMDB源
layer {
　　name: "mnist"
　　type: "Data"
　　top: "data"
　　top: "label"
　　include {
　　phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
　　source: "examples/mnist/mnist_train_lmdb"
　　batch_size: 64
　　backend: LMDB
}
}

###使用HDF5数据源
layer {
　　name: "data"
　　type: "HDF5Data"
　　top: "data"
　　top: "label"
　　hdf5_data_param {
　　source: "examples/hdf5_classification/data/train.txt"
　　batch_size: 10
　　}
}

###数据直接来源与图片
#/path/to/images/img3423.jpg 2
#/path/to/images/img3424.jpg 13
#/path/to/images/img3425.jpg 8

layer {
　　name: "data"
　　type: "ImageData" #类型
　　top: "data"
　　top: "label"
　　transform_param {
　　mirror: false
　　crop_size: 227
　　mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
}
image_data_param {
　　source: "examples/_temp/file_list.txt"
　　batch_size: 50
　　new_height: 256 #如果设置就对图片进行resize操作
　　new_width: 256
}
}

2.卷积层

layer {
　　name: "conv1"
　　type: "Convolution"
　　bottom: "data"
　　top: "conv1"
　　param {
　　lr_mult: 1 #lr_mult: 学习率的系数，最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。
　　}
　　param {
　　lr_mult: 2
　　}
convolution_param {
　　num_output: 20 #卷积核（filter)的个数
　　kernel_size: 5 #卷积核的大小
　　stride: 1 #卷积核的步长，默认为1
　　pad: 0 #扩充边缘，默认为0，不扩充
　　weight_filler {
　　type: "xavier" #权值初始化。 默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设置为”gaussian"
　　}
　　bias_filler {
　　type: "constant" #偏置项的初始化。一般设置为"constant",值全为0
　　}
}
}

输入：n*c0*w0*h0
输出：n*c1*w1*h1
其中，c1就是参数中的num_output，生成的特征图个数
w1=(w0+2*pad-kernel_size)/stride+1;
h1=(h0+2*pad-kernel_size)/stride+1;

3.池化层

layer {
　　name: "pool1"
　　type: "Pooling"
　　bottom: "conv1"
　　top: "pool1"
　　pooling_param {
　　pool: MAX #池化方法，默认为MAX。目前可用的方法有MAX, AVE
　　kernel_size: 3 #池化的核大小
　　stride: 2 #池化的步长，默认为1。一般我们设置为2，即不重叠。
　　}
}

#pooling层的运算方法基本是和卷积层是一样的。

4.激活函数

#在激活层中，对输入数据进行激活操作,是逐元素进行运算的,在运算过程中，没有改变数据的大小，即输入和输出的数据大小是相等的。

#ReLU是目前使用最多的激活函数，主要因为其收敛更快，并且能保持同样效果。标准的ReLU函数为max(x, 0)，当x>0时，输出x; 当x<=0时，输出0
f(x)=max(x,0)

layer {
　　name: "relu1"
　　type: "ReLU"
　　bottom: "pool1"
　　top: "pool1"
}

 5.全连接层

#全连接层，输出的是一个简单向量 参数跟卷积层一样
layer {
　　name: "ip1"
　　type: "InnerProduct"
　　bottom: "pool2"
　　top: "ip1"
　　param {
　　lr_mult: 1
　　}
　　param {
　　lr_mult: 2
　　}
　　inner_product_param {
　　num_output: 500
　　weight_filler {
　　type: "xavier"
　　}
　　bias_filler {
　　type: "constant"
　　}
　　}
}
#测试的时候输入准确率
layer {
　　name: "accuracy"
　　type: "Accuracy"
　　bottom: "ip2"
　　bottom: "label"
　　top: "accuracy"
　　include {
　　phase: TEST
　　}
}

caffe protobuf详解