VGG-16 prototxt

标签： CNNcaffe

2016-10-02 14:18 961人阅读 评论(6)收藏举报

本文章已收录于：

分类：

caffe（15）

作者同类文章X

CNN（31）

作者同类文章X

版权声明：可以参考 亦可转载 请注明出处

solver.prototxt:

[cpp] view plain copy print?

1. net: "models/vgg16/train_val.prototxt"  
2. test_iter: 1000  
3. test_interval: 2500  
4. base_lr: 0.001  
5. lr_policy: "step"  
6. gamma: 0.1  
7. stepsize: 50000  
8. display: 20  
9. max_iter: 200000  
10. momentum: 0.9  
11. weight_decay: 0.0005  
12. snapshot: 10000  
13. snapshot_prefix: "models/vgg16/caffe_vgg16_train"  
14. solver_mode: GPU  

net: "models/vgg16/train_val.prototxt"test_iter: 1000test_interval: 2500base_lr: 0.001lr_policy: "step"gamma: 0.1stepsize: 50000display: 20max_iter: 200000momentum: 0.9weight_decay: 0.0005snapshot: 10000snapshot_prefix: "models/vgg16/caffe_vgg16_train"solver_mode: GPU

train_val.prototxt:

[cpp] view plain copy print?

1. name: "VGG16"  
2. layer {  
3.   name: "data"  
4.   type: "Data"  
5.   top: "data"  
6.   top: "label"  
7.   include {  
8.     phase: TRAIN  
9.   }  
10.   # transform_param {  
11.   #   mirror: true  
12.   #   crop_size: 224  
13.   #   mean_file: "data/ilsvrc12_shrt_256/imagenet_mean.binaryproto"  
14.   # }  
15.   transform_param {  
16.     mirror: true  
17.     crop_size: 224  
18.     mean_value: 103.939  
19.     mean_value: 116.779  
20.     mean_value: 123.68  
21.   }  
22.   data_param {  
23.     source: "data/ilsvrc12_shrt_256/ilsvrc12_train_leveldb"  
24.     batch_size: 64  
25.     backend: LEVELDB  
26.   }  
27. }  
28. layer {  
29.   name: "data"  
30.   type: "Data"  
31.   top: "data"  
32.   top: "label"  
33.   include {  
34.     phase: TEST  
35.   }  
36.   # transform_param {  
37.   #   mirror: false  
38.   #   crop_size: 224  
39.   #   mean_file: "data/ilsvrc12_shrt_256/imagenet_mean.binaryproto"  
40.   # }  
41.   transform_param {  
42.     mirror: false  
43.     crop_size: 224  
44.     mean_value: 103.939  
45.     mean_value: 116.779  
46.     mean_value: 123.68  
47.   }  
48.   data_param {  
49.     source: "data/ilsvrc12_shrt_256/ilsvrc12_val_leveldb"  
50.     batch_size: 50  
51.     backend: LEVELDB  
52.   }  
53. }  
54. layer {  
55.   bottom: "data"  
56.   top: "conv1_1"  
57.   name: "conv1_1"  
58.   type: "Convolution"  
59.   param {  
60.     lr_mult: 1  
61.     decay_mult: 1  
62.   }  
63.   param {  
64.     lr_mult: 2  
65.     decay_mult: 0  
66.   }  
67.   convolution_param {  
68.     num_output: 64  
69.     pad: 1  
70.     kernel_size: 3  
71.     weight_filler {  
72.       type: "gaussian"  
73.       std: 0.01  
74.     }  
75.     bias_filler {  
76.       type: "constant"  
77.       value: 0  
78.     }  
79.   }  
80. }  
81. layer {  
82.   bottom: "conv1_1"  
83.   top: "conv1_1"  
84.   name: "relu1_1"  
85.   type: "ReLU"  
86. }  
87. layer {  
88.   bottom: "conv1_1"  
89.   top: "conv1_2"  
90.   name: "conv1_2"  
91.   type: "Convolution"  
92.   param {  
93.     lr_mult: 1  
94.     decay_mult: 1  
95.   }  
96.   param {  
97.     lr_mult: 2  
98.     decay_mult: 0  
99.   }  
100.   convolution_param {  
101.     num_output: 64  
102.     pad: 1  
103.     kernel_size: 3  
104.     weight_filler {  
105.       type: "gaussian"  
106.       std: 0.01  
107.     }  
108.     bias_filler {  
109.       type: "constant"  
110.       value: 0  
111.     }  
112.   }  
113. }  
114. layer {  
115.   bottom: "conv1_2"  
116.   top: "conv1_2"  
117.   name: "relu1_2"  
118.   type: "ReLU"  
119. }  
120. layer {  
121.   bottom: "conv1_2"  
122.   top: "pool1"  
123.   name: "pool1"  
124.   type: "Pooling"  
125.   pooling_param {  
126.     pool: MAX  
127.     kernel_size: 2  
128.     stride: 2  
129.   }  
130. }  
131. layer {  
132.   bottom: "pool1"  
133.   top: "conv2_1"  
134.   name: "conv2_1"  
135.   type: "Convolution"  
136.   param {  
137.     lr_mult: 1  
138.     decay_mult: 1  
139.   }  
140.   param {  
141.     lr_mult: 2  
142.     decay_mult: 0  
143.   }  
144.   convolution_param {  
145.     num_output: 128  
146.     pad: 1  
147.     kernel_size: 3  
148.     weight_filler {  
149.       type: "gaussian"  
150.       std: 0.01  
151.     }  
152.     bias_filler {  
153.       type: "constant"  
154.       value: 0  
155.     }  
156.   }  
157. }  
158. layer {  
159.   bottom: "conv2_1"  
160.   top: "conv2_1"  
161.   name: "relu2_1"  
162.   type: "ReLU"  
163. }  
164. layer {  
165.   bottom: "conv2_1"  
166.   top: "conv2_2"  
167.   name: "conv2_2"  
168.   type: "Convolution"  
169.   param {  
170.     lr_mult: 1  
171.     decay_mult: 1  
172.   }  
173.   param {  
174.     lr_mult: 2  
175.     decay_mult: 0  
176.   }  
177.   convolution_param {  
178.     num_output: 128  
179.     pad: 1  
180.     kernel_size: 3  
181.     weight_filler {  
182.       type: "gaussian"  
183.       std: 0.01  
184.     }  
185.     bias_filler {  
186.       type: "constant"  
187.       value: 0  
188.     }  
189.   }  
190. }  
191. layer {  
192.   bottom: "conv2_2"  
193.   top: "conv2_2"  
194.   name: "relu2_2"  
195.   type: "ReLU"  
196. }  
197. layer {  
198.   bottom: "conv2_2"  
199.   top: "pool2"  
200.   name: "pool2"  
201.   type: "Pooling"  
202.   pooling_param {  
203.     pool: MAX  
204.     kernel_size: 2  
205.     stride: 2  
206.   }  
207. }  
208. layer {  
209.   bottom: "pool2"  
210.   top: "conv3_1"  
211.   name: "conv3_1"  
212.   type: "Convolution"  
213.   param {  
214.     lr_mult: 1  
215.     decay_mult: 1  
216.   }  
217.   param {  
218.     lr_mult: 2  
219.     decay_mult: 0  
220.   }  
221.   convolution_param {  
222.     num_output: 256  
223.     pad: 1  
224.     kernel_size: 3  
225.     weight_filler {  
226.       type: "gaussian"  
227.       std: 0.01  
228.     }  
229.     bias_filler {  
230.       type: "constant"  
231.       value: 0  
232.     }  
233.   }  
234. }  
235. layer {  
236.   bottom: "conv3_1"  
237.   top: "conv3_1"  
238.   name: "relu3_1"  
239.   type: "ReLU"  
240. }  
241. layer {  
242.   bottom: "conv3_1"  
243.   top: "conv3_2"  
244.   name: "conv3_2"  
245.   type: "Convolution"  
246.   param {  
247.     lr_mult: 1  
248.     decay_mult: 1  
249.   }  
250.   param {  
251.     lr_mult: 2  
252.     decay_mult: 0  
253.   }  
254.   convolution_param {  
255.     num_output: 256  
256.     pad: 1  
257.     kernel_size: 3  
258.     weight_filler {  
259.       type: "gaussian"  
260.       std: 0.01  
261.     }  
262.     bias_filler {  
263.       type: "constant"  
264.       value: 0  
265.     }  
266.   }  
267. }  
268. layer {  
269.   bottom: "conv3_2"  
270.   top: "conv3_2"  
271.   name: "relu3_2"  
272.   type: "ReLU"  
273. }  
274. layer {  
275.   bottom: "conv3_2"  
276.   top: "conv3_3"  
277.   name: "conv3_3"  
278.   type: "Convolution"  
279.   param {  
280.     lr_mult: 1  
281.     decay_mult: 1  
282.   }  
283.   param {  
284.     lr_mult: 2  
285.     decay_mult: 0  
286.   }  
287.   convolution_param {  
288.     num_output: 256  
289.     pad: 1  
290.     kernel_size: 3  
291.     weight_filler {  
292.       type: "gaussian"  
293.       std: 0.01  
294.     }  
295.     bias_filler {  
296.       type: "constant"  
297.       value: 0  
298.     }  
299.   }  
300. }  
301. layer {  
302.   bottom: "conv3_3"  
303.   top: "conv3_3"  
304.   name: "relu3_3"  
305.   type: "ReLU"  
306. }  
307. layer {  
308.   bottom: "conv3_3"  
309.   top: "pool3"  
310.   name: "pool3"  
311.   type: "Pooling"  
312.   pooling_param {  
313.     pool: MAX  
314.     kernel_size: 2  
315.     stride: 2  
316.   }  
317. }  
318. layer {  
319.   bottom: "pool3"  
320.   top: "conv4_1"  
321.   name: "conv4_1"  
322.   type: "Convolution"  
323.   param {  
324.     lr_mult: 1  
325.     decay_mult: 1  
326.   }  
327.   param {  
328.     lr_mult: 2  
329.     decay_mult: 0  
330.   }  
331.   convolution_param {  
332.     num_output: 512  
333.     pad: 1  
334.     kernel_size: 3  
335.     weight_filler {  
336.       type: "gaussian"  
337.       std: 0.01  
338.     }  
339.     bias_filler {  
340.       type: "constant"  
341.       value: 0  
342.     }  
343.   }  
344. }  
345. layer {  
346.   bottom: "conv4_1"  
347.   top: "conv4_1"  
348.   name: "relu4_1"  
349.   type: "ReLU"  
350. }  
351. layer {  
352.   bottom: "conv4_1"  
353.   top: "conv4_2"  
354.   name: "conv4_2"  
355.   type: "Convolution"  
356.   param {  
357.     lr_mult: 1  
358.     decay_mult: 1  
359.   }  
360.   param {  
361.     lr_mult: 2  
362.     decay_mult: 0  
363.   }  
364.   convolution_param {  
365.     num_output: 512  
366.     pad: 1  
367.     kernel_size: 3  
368.     weight_filler {  
369.       type: "gaussian"  
370.       std: 0.01  
371.     }  
372.     bias_filler {  
373.       type: "constant"  
374.       value: 0  
375.     }  
376.   }  
377. }  
378. layer {  
379.   bottom: "conv4_2"  
380.   top: "conv4_2"  
381.   name: "relu4_2"  
382.   type: "ReLU"  
383. }  
384. layer {  
385.   bottom: "conv4_2"  
386.   top: "conv4_3"  
387.   name: "conv4_3"  
388.   type: "Convolution"  
389.   param {  
390.     lr_mult: 1  
391.     decay_mult: 1  
392.   }  
393.   param {  
394.     lr_mult: 2  
395.     decay_mult: 0  
396.   }  
397.   convolution_param {  
398.     num_output: 512  
399.     pad: 1  
400.     kernel_size: 3  
401.     weight_filler {  
402.       type: "gaussian"  
403.       std: 0.01  
404.     }  
405.     bias_filler {  
406.       type: "constant"  
407.       value: 0  
408.     }  
409.   }  
410. }  
411. layer {  
412.   bottom: "conv4_3"  
413.   top: "conv4_3"  
414.   name: "relu4_3"  
415.   type: "ReLU"  
416. }  
417. layer {  
418.   bottom: "conv4_3"  
419.   top: "pool4"  
420.   name: "pool4"  
421.   type: "Pooling"  
422.   pooling_param {  
423.     pool: MAX  
424.     kernel_size: 2  
425.     stride: 2  
426.   }  
427. }  
428. layer {  
429.   bottom: "pool4"  
430.   top: "conv5_1"  
431.   name: "conv5_1"  
432.   type: "Convolution"  
433.   param {  
434.     lr_mult: 1  
435.     decay_mult: 1  
436.   }  
437.   param {  
438.     lr_mult: 2  
439.     decay_mult: 0  
440.   }  
441.   convolution_param {  
442.     num_output: 512  
443.     pad: 1  
444.     kernel_size: 3  
445.     weight_filler {  
446.       type: "gaussian"  
447.       std: 0.01  
448.     }  
449.     bias_filler {  
450.       type: "constant"  
451.       value: 0  
452.     }  
453.   }  
454. }  
455. layer {  
456.   bottom: "conv5_1"  
457.   top: "conv5_1"  
458.   name: "relu5_1"  
459.   type: "ReLU"  
460. }  
461. layer {  
462.   bottom: "conv5_1"  
463.   top: "conv5_2"  
464.   name: "conv5_2"  
465.   type: "Convolution"  
466.   param {  
467.     lr_mult: 1  
468.     decay_mult: 1  
469.   }  
470.   param {  
471.     lr_mult: 2  
472.     decay_mult: 0  
473.   }  
474.   convolution_param {  
475.     num_output: 512  
476.     pad: 1  
477.     kernel_size: 3  
478.     weight_filler {  
479.       type: "gaussian"  
480.       std: 0.01  
481.     }  
482.     bias_filler {  
483.       type: "constant"  
484.       value: 0  
485.     }  
486.   }  
487. }  
488. layer {  
489.   bottom: "conv5_2"  
490.   top: "conv5_2"  
491.   name: "relu5_2"  
492.   type: "ReLU"  
493. }  
494. layer {  
495.   bottom: "conv5_2"  
496.   top: "conv5_3"  
497.   name: "conv5_3"  
498.   type: "Convolution"  
499.   param {  
500.     lr_mult: 1  
501.     decay_mult: 1  
502.   }  
503.   param {  
504.     lr_mult: 2  
505.     decay_mult: 0  
506.   }  
507.   convolution_param {  
508.     num_output: 512  
509.     pad: 1  
510.     kernel_size: 3  
511.     weight_filler {  
512.       type: "gaussian"  
513.       std: 0.01  
514.     }  
515.     bias_filler {  
516.       type: "constant"  
517.       value: 0  
518.     }  
519.   }  
520. }  
521. layer {  
522.   bottom: "conv5_3"  
523.   top: "conv5_3"  
524.   name: "relu5_3"  
525.   type: "ReLU"  
526. }  
527. layer {  
528.   bottom: "conv5_3"  
529.   top: "pool5"  
530.   name: "pool5"  
531.   type: "Pooling"  
532.   pooling_param {  
533.     pool: MAX  
534.     kernel_size: 2  
535.     stride: 2  
536.   }  
537. }  
538. layer {  
539.   bottom: "pool5"  
540.   top: "fc6"  
541.   name: "fc6"  
542.   type: "InnerProduct"  
543.   param {  
544.     lr_mult: 1  
545.     decay_mult: 1  
546.   }  
547.   param {  
548.     lr_mult: 2  
549.     decay_mult: 0  
550.   }  
551.   inner_product_param {  
552.     num_output: 4096  
553.     weight_filler {  
554.       type: "gaussian"  
555.       std: 0.005  
556.     }  
557.     bias_filler {  
558.       type: "constant"  
559.       value: 0.1  
560.     }  
561.   }  
562. }  
563. layer {  
564.   bottom: "fc6"  
565.   top: "fc6"  
566.   name: "relu6"  
567.   type: "ReLU"  
568. }  
569. layer {  
570.   bottom: "fc6"  
571.   top: "fc6"  
572.   name: "drop6"  
573.   type: "Dropout"  
574.   dropout_param {  
575.     dropout_ratio: 0.5  
576.   }  
577. }  
578. layer {  
579.   bottom: "fc6"  
580.   top: "fc7"  
581.   name: "fc7"  
582.   type: "InnerProduct"  
583.   param {  
584.     lr_mult: 1  
585.     decay_mult: 1  
586.   }  
587.   param {  
588.     lr_mult: 2  
589.     decay_mult: 0  
590.   }  
591.   inner_product_param {  
592.     num_output: 4096  
593.     weight_filler {  
594.       type: "gaussian"  
595.       std: 0.005  
596.     }  
597.     bias_filler {  
598.       type: "constant"  
599.       value: 0.1  
600.     }  
601.   }  
602. }  
603. layer {  
604.   bottom: "fc7"  
605.   top: "fc7"  
606.   name: "relu7"  
607.   type: "ReLU"  
608. }  
609. layer {  
610.   bottom: "fc7"  
611.   top: "fc7"  
612.   name: "drop7"  
613.   type: "Dropout"  
614.   dropout_param {  
615.     dropout_ratio: 0.5  
616.   }  
617. }  
618. layer {  
619.   bottom: "fc7"  
620.   top: "fc8"  
621.   name: "fc8"  
622.   type: "InnerProduct"  
623.   param {  
624.     lr_mult: 1  
625.     decay_mult: 1  
626.   }  
627.   param {  
628.     lr_mult: 2  
629.     decay_mult: 0  
630.   }  
631.   inner_product_param {  
632.     num_output: 1000  
633.     weight_filler {  
634.       type: "gaussian"  
635.       std: 0.005  
636.     }  
637.     bias_filler {  
638.       type: "constant"  
639.       value: 0.1  
640.     }  
641.   }  
642. }  
643. layer {  
644.   name: "accuracy_at_1"  
645.   type: "Accuracy"  
646.   bottom: "fc8"  
647.   bottom: "label"  
648.   top: "accuracy_at_1"  
649.   accuracy_param {  
650.     top_k: 1  
651.   }  
652.   include {  
653.     phase: TEST  
654.   }  
655. }  
656. layer {  
657.   name: "accuracy_at_5"  
658.   type: "Accuracy"  
659.   bottom: "fc8"  
660.   bottom: "label"  
661.   top: "accuracy_at_5"  
662.   accuracy_param {  
663.     top_k: 5  
664.   }  
665.   include {  
666.     phase: TEST  
667.   }  
668. }  
669. layer {  
670.   bottom: "fc8"  
671.   bottom: "label"  
672.   top: "loss"  
673.   name: "loss"  
674.   type: "SoftmaxWithLoss"  
675. }