首页 > 代码库 > caffe protobuf详解

caffe protobuf详解

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