caffe中在proto文件里定义网络各层结构
来源:互联网 发布:apache cgi 配置 编辑:程序博客网 时间:2024/06/06 14:12
caffe中,网络结构是神经网络建模和计算的基本单元。而不同类型的层需要有不同的配置,因此对caffe中各个类型的层结构做一个总结。
- 网络训练和测试层
layer{ name:"data" type: "HDF5Data" top: "data" top: "label" include { phase: TRAIN } hdf5_data_param { source: "examples/model1/indian_pines_train.txt" batch_size: 32 shuffle: true }}layer { name: "data" type: "HDF5Data" top: "data" top: "label" include { phase: TEST } hdf5_data_param { source: "examples/model1/indian_pines_test.txt" batch_size: 6904 }}
其中type中需要说明训练和测试的数据类型,sorce说明数据的来源。batch_size为一次性输入的数据量。
- 卷积层(Convolution)
layer { name: "conv1" type: "Convolution" bottom: "data" top: "conv1" param { lr_mult: 1 } param { lr_mult: 2 } convolution_param { num_output: 20 kernel_size: 5 stride: 1 weight_filler { type: "xavier" } bias_filler { type: "constant" } }}
类型:Convolution。
num_output: 滤波器的数量。
kernel_size:每个滤波器的高度和宽度。
stride: 输入滤波器的间隔。
weight_filler:滤波器的初始分布和分布参数。
bias_filler:默认type:constant,value:0
- 池化层(Pooling)
layer { name: "pool1" type: "Pooling" bottom: "conv1" top: "pool1" pooling_param { pool: MAX kernel_size: 2 stride: 2 }}
类型:Pooling
作用:合并相似的特征。
kernel_size:说明每个滤波器的宽度和高度。
pool:池化方法,有MAX,AVE,STOCHASTIC
stride:说明输入滤波器的间隔。
- 全连接层(Inner Product)
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" } }}
类型:InnerProduct
作用:将输入的数据以简单的向量形式进行处理,并且输出一个简单的向量。
- 激励层
1.ReLU
layer { name: "relu1" type: "ReLU" bottom: "ip1" top: "ip1"}
类型:ReLU
为层内运算的一个层
可选参数negative_slope :[默认:0]指定如何去除负值。通过乘以一个斜率值(1)还是设置负数值为0(0)。
对于给定的一个输入值x,如果x > 0,ReLU层的输出为x,如果x < 0,ReLU层的输出为negative_slope * x。如果negative_slope参数没有设置,它就等价于标准ReLU函数:max(x,0)。它也支持原地计算,这意味着底层blob和顶层blob可以相同,以减少资源消耗。
2.Sigmoid
layer { name: "encode1neuron" bottom: "encode1" top: "encode1neuron" type: "Sigmoid"}
Sigmoid层对每个输入元素x计算其sigmoid(x)值作为输出。
- Concatenation
layer{ name:"out2" type:"Concat" bottom: "Wrand1" bottom:"Wrand2" bottom:"W3" top:"out2" concat_param { axis: 1 }}
Concat层将串连多个输入blob,成为一个单一的输出blob。
- Dropout
layer{ name:"drop3" type:"Dropout" bottom:"U3" top:"U3" dropout_param{ dropout_ratio:0.1 }}
在Dropout层中,momentum一般要设置为095-0.99之间,需要设置更高的学习速率,网络的训练时间会更长。
- BatchNormalization
layer{ name:"bn2" type:"BatchNorm" bottom:"out2" top:"bn2"}
- Accuracy
layer { name: "accuracy" type: "Accuracy" bottom: "Y" bottom:"label" top: "accuracy" include { phase: TEST }}
- Softmax
layer { name: "loss" type: "SoftmaxWithLoss" bottom: "Y" bottom:"label" top: "loss"}
我目前就接触到了这么多的层,算是比较入门级的了,其它更深的理解和层后面再补充。
参考博文
这里写链接内容
- caffe中在proto文件里定义网络各层结构
- Caffe源码中caffe.proto文件分析
- 在caffe.proto中定义变量出现“'xxxParameter' has no member named 'xxx'”问题的解决
- 如何在caffe中自定义网络层
- 如何在caffe中自定义网络层
- Caffe各层的参数设置(在prototxt文件中设置)
- Caffe in Python之定义网络结构和添加自定义网络层
- 如何在Caffe中配置每一个层的结构
- 如何在Caffe中配置每一个层的结构
- 如何在Caffe中配置每一个层的结构
- 如何在Caffe中配置每一个层的结构
- 如何在Caffe中配置每一个层的结构
- 怎么在Caffe中配置每一个层的结构
- 怎么在Caffe中配置每一个层的结构
- 怎么在Caffe中配置每一个层的结构
- 转:如何在Caffe中配置每一个层的结构
- 如何在Caffe中配置每一个层的结构
- 如何在Caffe中配置每一个层的结构
- iOS图像处理之Core Image ------ 吴白
- C++关于模板
- 用两个栈实现一个队列
- 二叉树常考面试题
- 定时刷新extjs的grid某一列的数据
- caffe中在proto文件里定义网络各层结构
- 用dd命令生成bin文件,而不用拆flash读取文件
- 字符串
- Leetcode 39 Combination Sum & 40 Combination Sum II & 216 Combination Sum III & 377 Combination V
- Unity中HideInInspector和SerializeField一起使用
- DWR的使用
- 实用的弹出层效果(阻止浏览器的默认行为)
- Css3.0的一些体会
- 集合(数组,字典)