caffe用python设置网络的Convolution层Pooling层和LRN--caffe学习(4))

1：卷积层，是卷积神经网络（CNN）的核心层。
层类型：Convolution
　　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。
在后面的convolution_param中，我们可以设定卷积层的特有参数。
必须设置的参数：
　　num_output: 卷积核（filter)的个数
　　kernel_size: 卷积核的大小。如果卷积核的长和宽不等，需要用kernel_h和kernel_w分别设定
其它参数：
　　 stride: 卷积核的步长，默认为1。也可以用stride_h和stride_w来设置。
　　 pad: 扩充边缘，默认为0，不扩充。 扩充的时候是左右、上下对称的，比如卷积核的大小为5*5，那么pad设置为2，则四个边缘都扩充2个像素，即宽度和高度都扩充了4个像素,这样卷积运算之后的特征图就不会变小。也可以通过pad_h和pad_w来分别设定。
　　weight_filler: 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: 偏置项的初始化。一般设置为”constant”,值全为0。
　　 bias_term: 是否开启偏置项，默认为true, 开启
　　 group: 分组，默认为1组。如果大于1，我们限制卷积的连接操作在一个子集内。如果我们根据图像的通道来分组，那么第i个输出分组只能与第i个输入分组进行连接。
　　
代码非常简单，只需要一行：

conv1=L.Convolution(data, kernel_size=5, stride=1,num_output=16, pad=2,weight_filler=dict(type='gaussian'))

2：Pooling层
池化层是为了减少运算量和数据维度而设置的一种层。
层类型：Pooling
必须设置的参数：
　　 kernel_size: 池化的核大小。也可以用kernel_h和kernel_w分别设定。
其它参数：
　pool: 池化方法，默认为MAX。目前可用的方法有MAX, AVE, 或STOCHASTIC
　　pad: 和卷积层的pad的一样，进行边缘扩充。默认为0
　　stride: 池化的步长，默认为1。一般我们设置为2，即不重叠。也可以用stride_h和stride_w来设置。

relu1=L.ReLU(conv1, in_place=True)

in_place是一种实际中为了减少内存数据的方法，默认使用较好
3：Local Response Normalization (LRN)层
此层是对一个输入的局部区域进行归一化，达到“侧抑制”的效果。可去搜索AlexNet或GoogLenet，里面就用到了这个功能
层类型：LRN
参数：全部为可选
　　local_size: 默认为5。如果是跨通道LRN，则表示求和的通道数；如果是在通道内LRN，则表示求和的正方形区域长度。
　　alpha: 默认为1，归一化公式中的参数。
　　beta: 默认为5，归一化公式中的参数。
　　norm_region: 默认为ACROSS_CHANNELS。有两个选择，ACROSS_CHANNELS表示在相邻的通道间求和归一化。WITHIN_CHANNEL表示在一个通道内部特定的区域内进行求和归一化。与前面的local_size参数对应。

norm2=L.LRN(pool2,local_size=5,alpha=0.0001,beta=0.75)