caffe的prototxt文件

data_layer

1、Data層

layer {name: "cifar"type: "Data"top: "data"top: "label"include {phase: TRAIN}transform_param {mean_file: "examples/cifar10/mean.binaryproto"}data_param {source: "examples/cifar10/cifar10_train_lmdb"batch_size: 100backend: LMDB} }

name任取，表示這一層的名字
type：層類型，如果是Data，表示數據來源是LevelDB后者LMDB，根據數據來源的不同，數據層的類型也不同，有些還是從磁盤中存儲hdf5或者圖片格式。
top和bottom：top為此層輸出，bottom為此層輸入，在數據層中，至少有一個命名為data的top。如果有第二個top，一般命名為label。這種（data， label）的配對是分類模型所必需的。
include：一般訓練和測試的時候，模型的參數有些不一樣。所以這個是用來指定該數據層是屬于訓練階段或者測試階段的層。若未指定，則該層既用在訓練模型又用在測試模型上。
transform_param：數據的預處理，可以將數據變換到定義的范圍內。如設置scale為0.00390625，實際上就是1/255，即將輸入數據由0_{255歸一化到0}1之間。
data_param：根據數據來源的不同，來進行不同的設置。必須設置的參數有source和batch_size，source包含數據庫的目錄名字，batch_size就是每次處理的數據個數。可選參數有rand_skip和backend，backend是選擇采用LevelDB還是LMDB，默認是LevelDB【這個應該是選擇數據庫引擎】

vision_layer

【Convolution、Pooling】

2、Convolution層

layer {name: "conv1"type: "Convolution"bottom: "data"top: "conv1"param {lr_mult: 1decay_mult: 1}param {lr_mult: 2decay_mult: 0}convolution_param {num_output: 96kernel_size: 11stride: 4pad: 2weight_filler {type: "gaussian"std: 0.01 #標準差：distribution with stdev 0.01(default mean: 0)}bias_filler {type: "constant"value: 0}} }

lr_mult：學習率的系數，最終的學習率是這個數乘以solver.prototxt配置文件中的base_lr。如有兩個lr_mult，則第一個表示權值w的學習率，第二個表示偏置項的學習率。一般偏置項的學習率是權值學習率的兩倍。
必須設置的參數有：
num_output：卷積核的個數
kernel_size：卷積核的大小，如果kernel_size長寬不一樣，則需要通過kernel_h，kernel_w分別設定。
其他參數：
stride：卷積核的步長，默認為1， 也可以用stride_h, stride_w來設置。
pad
weight_filter：權值初始化。默認為“constant”，值權威0，很多時候我們用“xavier”算法來進行初始化，也可以設置為“gaussian”
bias_filter：偏置項的初始化，一般設置為“constant”，值全為0。
bias_term：是否開啟偏置項，默認為true
group：分組，默認為1組。如果大于1，我們限制卷積的連接操作在一個子集里。

pooling層

layer {name: "pool1"type: "Pooling"bottom: "conv1"top: "pool1"pooling_param {pool: MAXkernel_size: 3stride: 2} }

4、Local Response Normalization層

LRN是對一個局部的輸入進行的歸一化操作。【貌似現在不怎么用了】

5、im2col層

在caffe中，卷積運算就是先對數據矩陣進行im2col操作，在進行內積運算，這樣做，會比原始的卷積操作更快。

common_layer
【InnerProductLayer、SplitLayer、FlattenLayer、ConcatLayer、SilenceLayer、(Elementwise Operations)這個是我們常說的激活函數層Activation Layers、EltwiseLayer、SoftmaxLayer、ArgMaxLayer、MVNLayer】

6、inner_product層（FC）

layers {name: "fc8"type: "InnerProduct"blobs_lr: 1 # learning rate multiplier for the filtersblobs_lr: 2 # learning rate multiplier for the biasesweight_decay: 1 # weight decay multiplier for the filtersweight_decay: 0 # weight decay multiplier for the biasesinner_product_param {num_output: 1000weight_filler {type: "gaussian"std: 0.01}bias_filler {type: "constant"value: 0}}bottom: "fc7"top: "fc8"

7、accuracy

layer {name: "accuracy"type: "Accuracy"bottom: "ip2"bottom: "label"top: "accuracy"include {phase: TEST} }

accuracy只在test有，因此要設置include為TEST。輸出分類（預測）的精確度。
8、reshape

layer {name: "reshape"type: "Reshape"bottom: "input"top: "output"reshape_param {shape {dim: 0 # copy the dimension from belowdim: 2dim: 3dim: -1 # infer it from the other dimensions}}}

有一個可選的參數組shape，用于指定blob數據的各維的值（blob是一個四維的數據nxcxwxh）
"dim:0"表示維度不變，即輸入和輸出是一樣的維度。"dim:-1"表示由系統自動計算維度。數據總量不變，系統根據其他三維來確定這一維。

9、dropout

layer {name: "drop7"type: "Dropout"bottom: "fc7-conv"top: "fc7-conv"dropout_param {dropout_ratio: 0.5 #只需要設置一個dropout_ratio參數即可} }

Neuron_layer
10、Sigmoid

layer {name: "encode1neuron"bottom: "encode1"top: "encode1neuron"type: "Sigmoid" }

11、ReLU/Rectified-linear and Leaky-ReLU

layers { name: "relu1" type: RELU bottom: "conv1" top: "conv1" }

loss_layer
【待續，還有很多的】

16、softmax-loss

layer {name: "loss"type: "SoftmaxWithLoss"bottom: "ip1"bottom: "label"top: "loss" }

ps：

solver算是caffe核心的核心，它協調著整個模型的運作，caffe程序運行必須帶一個參數就是solver配置文件。
caffe提供了六種優化算法來求解最優解，在solver配置文件中，通過設置type類型來選擇

Stochastic Gradient Descent (type: "SGD"), AdaDelta (type: "AdaDelta"), Adaptive Gradient (type: "AdaGrad"), Adam (type: "Adam"), Nesterov’s Accelerated Gradient (type: "Nesterov") and RMSprop (type: "RMSProp")

Solver的流程：

1. 設計好需要優化的對象，以及用于學習的訓練網絡和用于評估的測試網絡。（通過調用另外一個配置文件prototxt來進行）2. 通過forward和backward迭代的進行優化來跟新參數。3. 定期的評價測試網絡。 （可設定多少次訓練后，進行一次測試）4. 在優化過程中顯示模型和solver的狀態 #每一次的迭代過程 ? 1、調用forward算法來計算最終的輸出值，以及對應的loss ? 2、調用backward算法來計算每層的梯度 ? 3、根據選用的slover方法，利用梯度進行參數更新 ? 4、記錄并保存每次迭代的學習率、快照，以及對應的狀態。

總結

以上是生活随笔為你收集整理的caffe的prototxt文件的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。