DeepLearning（基于caffe）实战项目（3）--我们关心的caffe输出

       经过这一通训练，总算可以得到相应的模型了（具体操作网上已经烂大街了），我们要是修改caffe参数，甚至是修改caffe内部程序，必须是以输出结果为动力，现在我们就看看我们关心的caffe输出都有哪些，虽然每一层都可以输出，但是我们最关心的有Loss层。

       深度学习就是通过最小化输出和目标的Loss来驱动的。

       值得注意的是：以mnist为例，我们所得到的ip2层已经是我们预测（分类/回归）的结果，可以将ip2输出（此时输出的就是Predict Label）

1.softmax

     类型：SoftmaxWithLoss

     适合场景：图像多类分类问题

     示例：

layer {  name: "loss"  type: "SoftmaxWithLoss"  bottom: "ip2"  bottom: "label"  top: "loss"}

        可选参数：

      （1）ignore_label:int类型，默认值为空

如果对其赋值，则label=ignore_label的时候不参与Loss值计算，并且反向传播时梯度直接赋值为0

      （2）normalize:bool类型

如果为true，Loss会处于参与计算的样本总数输出，如果为false，则直接Loss求和输出

      （3）normalization:enum类型，默认值为valid

           如果未设置normalization，但是设置了normalize：

                   <1>normalize=1:valid型

                   <2>normalize=0:batch_size型

如果设置normalization，一切由normalization决定：

     解释：Loss值越小，表明其预测效果越好 

2.Sum-of-Squares/Euclidean(欧式距离)

     适合场景：线性回归问题

     类型：EuclideanLoss

     示例：

layer {  name: "loss"  type: "EuclideanLoss"  bottom: "ip2"  bottom: "score"  top: "loss"}

     解释：Loss值越小，表明其预测效果越好

3.Hinge/Margin（铰链损失函数）

      适合场景：主要在SVM分类器中

      类型：HingeLoss

      示例：

layer {  name: "loss"  type: "EuclideanLoss"  bottom: "ip2"  bottom: "score"  top: "loss"}

     可选参数：

      （1）inorm[default L1]:选择L1或者L2范数

4.Sigmoid Cross-Entropy

      类型：SigmoidCrossEntropyLoss

      示例：

layer {  name: "loss"  type: "SigmoidCrossEntropyLoss"  bottom: "ip2"  bottom: "label"  top: "loss"}

5.Infogain Loss

      类型:InfogainLoss

      示例：

layer {  name: "loss"  type: "InfogainLoss"  bottom: "score"  bottom: "label"  top: "loss"}

6.Accuracy and Top-k

      用来计算输出和目标的准确率，事实上，这不是一个loss，而且没有backward这一步

      类型:Accuracy

      示例：

layer {  name: "accuracy"  type: "Accuracy"  bottom: "ip2"  bottom: "label"  top: "accuracy"}