DATA

crop:截取原圖像中一個固定patch

layers {name: "data"type: DATAtop: "data"top: "label"data_param {source: "../data/ImageNet/imagenet-train" #數據存放位置batch_size: 128 #一次批處理的大小，視內存大小而定。四維數組N*C*H*W中的Nbackend: LMDB #數據庫類型，默認為leveldb}include: { phase: TRAIN } #如果加了這一行的話表示是在訓練過程中使用該層，可將TRAIN替換為TEST }

CONVOLUTION

layer {name: "conv"type: "Convolution"bottom: "data"top: "conv"param { lr_mult: 1 #權重的學習率 該層lr=lr_mult*base_lrdecay_mult: 1 #權重的衰減值}param { lr_mult: 2 #偏置項的學習率decay_mult: 0 #偏置項的衰減值}convolution_param {num_output: 96 #該層輸出的filter的個數。四維數組N*C*H*W中的Wkernel_size: 11 #卷積核大小11*11。可設定長kernel_h與寬kernel_wstride: 4 #步長，也就是卷積核滑動的距離weight_filler { #卷積核初始化方式type: "gaussian" #高斯分布std: 0.01 #標準差為0.01}bias_filler { #偏置項初始化方式type: "constant" #連續分布value: 0}} }

這里說一下關于weight_filler和bias_filler的幾種設定方式：

TYPEPARAMEXPLAIN

Constant	Value	以常量初始化，初始化值為[Value]
Gaussian	std,mean	以高斯分布方式初始化，均值為[mean],標準差為[std]
uniform	min,max	均勻分布，[min,max]
xavier	scale	均勻分布，[-scale,scale],scale=sqrt(3/K*H*W)

RELU

layer {name: "relu"type: "ReLU"bottom: "conv"top: "conv" }

Relu標準函數：f(x)=max(0,x)。
當未指定negative_slope值時，為標準Relu層；指定negative_slope值時，f(x)={x,negative_slope×x,x>0x≤0

LRN

layer {name: "norm"type: "LRN"bottom: "conv"top: "norm"lrn_param {local_size: 5#對于cross channel LRN，表示需要求和的channel的數量；對于within channel LRN，表示需要求和的空間區域的邊長。默認為5alpha: 0.0001 #LRN公式中的參數alphabeta: 0.75 #LRN公式中的參數beta} }

POOLING

layer {name: "pool"type: "Pooling"bottom: "norm1"top: "pool1"pooling_param {pool: MAX #有三種池化方式：MAX,AVG,STOCHASTICkernel_size: 3 #卷積核大小;可設定長kernel_h與寬kernel_wstride: 2 #步長} }

INNERPRODUCT

參數和卷積層幾乎一樣，僅貼出代碼，不做過多解釋

layer {name: "fc7"type: "InnerProduct"bottom: "fc6"top: "fc7"param { lr_mult: 1decay_mult: 1}param { lr_mult: 2decay_mult: 0}inner_product_param {num_output: 4096weight_filler {type: "gaussian"std: 0.005}bias_filler {type: "constant"value: 0.1}} }

ACCURACY

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

可添加

accuracy_param {top_k: 5}

默認為top_1，添加該項后，選擇測試top_k準確率。

SOFTMAX_LOSS

layers {name: "loss"type: SOFTMAX_LOSSbottom: "pool3"bottom: "label"top: "loss"include: { phase: TRAIN } }

注意，在計算softmax_loss前，將pool3層默認經過了一次softmax計算。
另外，以上所有層的name項都是自己隨意定的，只要好辨認，不重復就可以。

總結

以上是生活随笔為你收集整理的Caffe常用层参数介绍的全部內容，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。