Caffe修炼之路--模型定义

平台 Ubuntu14.04LTS

这篇博客主要是讲讲我学习caffe中LeNet MNIST示例的心得。

1、第一层：数据层

layers {  name: "mnist"  type: DATA  data_param {    source: "mnist_train_lmdb"    backend: LMDB    batch_size: 64    scale: 0.00390625  }  top: "data"  top: "label"}

这是第一个层，name指定当前层的名称。type指定当前层的类型，这里就是输入层，所以指定为DATA。data_param是指定当前层的参数，其中source就是输入数据的路径（可以写绝对路径），backend就是数据类型， batch_size是指定运行时的batch大小，scale是将数据进行尺寸变换，比如这里设置的0.00380625，就是1/256。第一个top是指定往后传递data，第二个是指定往后传递label.

2、第二层：卷积层

layers {  name: "conv1"  type: CONVOLUTION  blobs_lr: 1.  blobs_lr: 2.  convolution_param {    num_output: 20    kernelsize: 5    stride: 1    weight_filler {      type: "xavier"    }    bias_filler {      type: "constant"    }  }  bottom: "data"  top: "conv1"}

这里的type就是CONVOLUTION了（好像type指定的属性都是大写的）。blobs_lr: 1. 就是指定weight的学习率的倍数，这里就是1.0了，后面的blobs_lr: 2. 就是指定bias学习率的倍数。num_output指定输出数据个数，kernelsize是指定卷积模板的大小，也就卷积核的矩阵大小。stride就是指定卷积的步长。weight_filler是指定weight初始化，其中type是指定初始化的方式，这里用的是xavier 算法（根据输入输出的神经元个数自动决定初始化的尺度）。下面的bias_filler是类似的，constant就是说指定为常数了，默认为0.然后bottom就是指定这一层的输入数据，显然就是数据层传来的那个data，top就是输出数据。

为什么这一层只有一个bottom，但是上一层的top 有两个呢？label跑哪儿去了？哈哈，继续往下看你就明白了。

3、pooling 层

layers {  name: "pool1"  type: POOLING  pooling_param {    kernel_size: 2    stride: 2    pool: MAX  }  bottom: "conv1"  top: "pool1"}

这里出现的新参数就是那个pool了。pooling_param就是设置这个pooling层的参数啦，pool的方式就是max pooling。值得一提的是这里的kernel_size和stride的设置，这里恰好就相等，所以所有的pooling都不会出现重叠，一般来说，kernel_size的尺寸不小于stride的。

4、中间可以多添加几个卷积、pool层

5、完全连接层

layers {  name: "ip1"  type: INNER_PRODUCT  blobs_lr: 1.  blobs_lr: 2.  inner_product_param {    num_output: 500    weight_filler {      type: "xavier"    }    bias_filler {      type: "constant"    }  }  bottom: "pool2"  top: "ip1"}

这里指定了一个500个输出的完全连接层，没啥新的参数。

6、ReLU层

layers {  name: "relu1"  type: RELU  bottom: "ip1"  top: "ip1"}

这里有趣的地方在于输入和输出是同一个，官网上说只是因为这个ReLU操作可以原地操作（in place），能够节省内存。ReLU是一个替换sigmoid units的一个函数，全称是Rectified Linear Unit，是一个激活函数。wiki和豆瓣有些资料，可以自己看看。

7、完全连接层

layers {  name: "ip2"  type: INNER_PRODUCT  blobs_lr: 1.  blobs_lr: 2.  inner_product_param {    num_output: 10    weight_filler {      type: "xavier"    }    bias_filler {      type: "constant"    }  }  bottom: "ip1"  top: "ip2"}

8、Loss 层

layers {  name: "loss"  type: SOFTMAX_LOSS  bottom: "ip2"  bottom: "label"}

这里指定的Loss的定义方式是 SOFTMAX_LOSS。到这里也解开了我们心头的一个疑惑哈，为什么第一层的top有两个，哈哈，label是传递到这儿来的。

时间不早了，差不多模型建立就写这么多吧。希望大家积极留言，多多交流，共同进步。如果发现错误，一定要指出来哦！

———————————————————————2015. 2. 6更新————————————————————————————————

有个地方忘了说，就是在layer里面有个include参数，其中的phase参数是指定这一层是什么时候运行的，可以选择TRAIN，表示训练的时候运行，也可以选择TEST。