caffe——经常使用layer参数

时间 2019-12-02

标签 caffe 经常使用 layer 参数繁體版

原文原文链接

caffe的model是须要用prototxt来定义的，若是要训练本身的model咱们就须要本身来写prototxt文件，这篇博文主要写caffe的layer是如何来定义的。html

参考：http://caffe.berkeleyvision.org/tutorial/layers.htmlapp

layer的源代码在$caffe-master/src/caffe/layerside

卷积层

layer类型：Convolution
参数：(ConvolutionParameter convolution_param)
- 必选
  - 　　num_output (c_o):filter的的数目
  - kernel_size (or kernel_h and kernel_w):filter的尺寸，即长、宽
- 推荐
  - 　　weight_filler：对权值的初始化设置，默认是{type:"constant" value:0}，即初始化为常数0。type也能够选择高斯分布，这须要给定标准差和均值
- 可选
  - bias_term [default true]:是否对filter设定偏置项，默认为true
  - pad (or pad_h and pad_w) [default 0]:对输入的每一个边进行填充像素的个数，默认为0
  - 　 stride (or stride_h and stride_w) [default 1]:filter在输入图像上的滑动步长
  - 　 group (g) [default 1]:当g>1时，将输入和输出的channels分为g个组，第i个输入group channels只与第i个输出group channels相对应。

输入

　　　　n * c_i * h_i * w_i学习

输出

　　　　　n * c_o * h_o * w_o，其中h_o = (h_i + 2 * pad_h - kernel_h) / stride_h + 1，w_o也相似spa

 layer {
      name: "conv1"  //层的名字
      type: "Convolution" //层的类型
      bottom: "data" //底层的blob
      top: "conv1" //上层的blob
      //filters的学习率和衰减参数
      param { lr_mult: 1 decay_mult: 1 }
      // biases的学习率和衰减参数
      param { lr_mult: 2 decay_mult: 0 }
      convolution_param {
        num_output: 96     # learn 96 filters
        kernel_size: 11    # each filter is 11x11
        stride: 4          # step 4 pixels between each filter application
        weight_filler {
          type: "gaussian" // 用Gaussian分布初始化
          std: 0.01        // 标准差为0.01,均值默认为0
        }
        bias_filler {
          type: "constant" //初始化为常数
          value: 0
        }
      }
    }

池化层

layer类型：Pooling
参数：PoolingParameter pooling_param
- 必选
  - 　　kernel_size：filter的尺寸
- 可选　
  - 　　pool [default MAX]：pool的类型，MAX、AVE或者 STOCHASTIC
  - pad (or pad_h and pad_w) [default 0]：对输入的每一个边进行填充像素的个数，默认为0
  - stride (or stride_h and stride_w) [default 1]：filter在输入图像上的滑动步长

输入

　　　　n * c_i * h_i * w_icode

输出

　　　　　n * c_o * h_o * w_o，其中h_o = (h_i + 2 * pad_h - kernel_h) / stride_h + 1，w_o也相似htm

layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 3 # pool over a 3x3 region
    stride: 2      # step two pixels (in the bottom blob) between pooling regions
  }
}

ReLU层

layer {
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}

Dropout层

layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7"
  top: "fc7"
  dropout_param {
    dropout_ratio: 0.5 //dropout率
  }
}

全链接层

layer类型：Pooling
参数：InnerProductParameter inner_product_param
- 必选
  - 　　kernel_size：filter的尺寸
- 推荐
  - 　　weight_filler：对权值的初始化设置，默认是{type:"constant" value:0}，即初始化为常数0。type也能够选择高斯分布，这须要给定标准差和均值
- 可选
  - 　　bias_term [default true]:是否对filter设定偏置项，默认为true
  - bias_filler [default type: 'constant' value: 0]

输入

　　　　　n * c_i * h_i * w_iblog

输出

　　　　　n * c_o * h_o * w_o，其中h_o = (h_i + 2 * pad_h - kernel_h) / stride_h + 1，w_o也相似get

layer {
  name: "fc8"
  type: "InnerProduct"
  param { lr_mult: 1 decay_mult: 1 }
  param { lr_mult: 2 decay_mult: 0 }
  inner_product_param {
    num_output: 1000
    weight_filler {
      type: "gaussian"
      std: 0.01
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
  bottom: "fc7"
  top: "fc8"
}

SoftMax层

layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "fc8"
  bottom: "label"
  top: "loss"
}

Accuracy层

layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "fc8"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}