caffe下的网络配置文件solver.prototxt、train_val.prototxt、deploy.portotxt
前言：
前面的文章介绍了如何搭建caffe环境以及利用caffe进行训练model和测试图片，下面对caffe的配置文件进行分析一下。
一、solver.prototxt文件
net:"./train_val.prototxt" #train_val.prototxt网络配置文件的位置
test_iter:2 #完成一次测试需要的迭代次数 test_iter * batchsize = 测试集大小
test_interval:50 #每多少次测试一次
base_lr:0.001 #基础学习率
lr_policy:"step" #lr可以变化
gamma:0.1 #学习率变化的比率
stepsize:100 #学习率变化的频率
display:20 #每多少次展示一次
max_iter:50000 #迭代次数
momentum:0.9 #上一次梯度更新的权重
weight_decay:0.0005 #权重衰减项，防止过拟合的一个参数
snapshot:2500 #训练多少次保存镜像
snapshot_prefix:"../../data/model/alex/alex" #保存的路径
solver_mode:GPU #选择GPU还是CPU
二、train_val.prototxt训练网络配置文件
name: "AlexNet" #框架的名字
layer {
name: "data" #该层的名字
type: "Data" #该层的类型
top: "data" #top/bottom botton用来输入数据，top用来输出数据
top: "label" #多个top/botto表示多个数据的输入或输出
include { #具有include参数，该层会表示是训练或者测试，如果没有表示该层即在测试又在训练模型中
phase: TRAIN #表示是训练
}
transform_param {
mirror: true #true表示开启镜像，false表示关闭镜像
crop_size: 227 #剪裁一个227*227的图块
mean_file: "data/ilsvrc12/imagenet_mean.binaryproto" #训练的均值文件
}
data_param {
source: "examples/imagenet/ilsvrc12_train_lmdb" #训练的图片转换成的lmdb数据格式
batch_size: 256 #每次处理数据的个数
backend: LMDB #数据的格式
}
}
layer {
name: "data"
type: "Data"
top: "data" #如果有两个top一般一个是data一个是label
top: "label"
include {
phase: TEST #表示测试
}
transform_param {
mirror: false #测试不生成镜像
crop_size: 227 #裁剪的图片大小
mean_file: "data/ilsvrc12/imagenet_mean.binaryproto" #测试的均值文件
}
data_param {
source: "examples/imagenet/ilsvrc12_val_lmdb" #测试的图片转换成的lmdb数据格式
batch_size: 50 #每次测试的图片个数 如果显卡或内存不是很强 可以将每次测试的图片数减小，测试的次数增多，测试的次数在solver.prototxt中
backend: LMDB #数据的格式
}
}
layer {
name: "conv1" #第一卷积层
type: "Convolution" #卷积
bottom: "data" #输入的数据是data层
top: "conv1" #输出是conv1
param {
lr_mult: 1 #权值的学习率系数，学习率是solver.prototxt中的base_lr * lr_mult
decay_mult: 1 #权值的衰减
}
param {
lr_mult: 2 #偏置的学习率系数
decay_mult: 0 #权值的衰减
}
convolution_param { #卷积的参数
num_output: 96 #卷积核的个数
kernel_size: 11 #卷积核大小 11*11 如果卷积核的长和宽不等，需要用 kernel_h 和 kernel_w 分别设定
stride: 4 #卷积核的步长
weight_filler { #权值的初始化
type: "gaussian" #很多时候用xavier算法来初始化，也可以用Gaussian 高斯分布来初始化
std: 0.01 #标准差
}
bias_filler { #偏置的初始化
type: "constant" #默认constant固定值
value: 0 #固定值多少
}
}
}
layer {
name: "relu1" #激活层
type: "ReLU" #激活函数relu
bottom: "conv1" #输入是conv1
top: "conv1" #输出是conv1
}
layer {
name: "norm1" #对输入的局部区域进行归一化，达到侧抑制的效果
type: "LRN"
bottom: "conv1" #输入conv1
top: "norm1" #输出norml
lrn_param {
local_size: 5 #默认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: 0.0001 #默认1 归一化公式中的参数
beta: 0.75 #归一化公式中的参数
}
}
layer {
name: "pool1" #第一池化层pool1
type: "Pooling" #池化操作
bottom: "norm1" #该层的输入是norml
top: "pool1" #该层的输出是pool1
pooling_param { #池化层参数
pool: MAX #池化方法 默认是MAX即池化核内的最大值。目前可用的方法有MAX, AVE, 或STOCHASTIC
kernel_size: 3 #池化核的大小
stride: 2 #池化的步长
#pad: 2 #池化的边缘扩充和卷积层一样
}
}
layer {
name: "conv2" #第二卷积层
type: "Convolution"
bottom: "pool1"
top: "conv2"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
convolution_param {
num_output: 256 #卷积核的个数变成256
pad: 2 #边沿扩充是2 也就是长宽都增加4个像素点
kernel_size: 5 #卷积核5*5
group: 2 #分组 默认为1 卷积的分组可以减少网络的参数
weight_filler { #权值参数设置
type: "gaussian" #高斯分布
std: 0.01 #标准差是0.01
}
bias_filler { #偏置参数设置
type: "constant" #固定值
value: 0.1 #值0.1
}
}
}
layer {
name: "relu2" #激活层
type: "ReLU"
bottom: "conv2"
top: "conv2"
}
layer {
name: "norm2" #归一化
type: "LRN"
bottom: "conv2"
top: "norm2"
lrn_param {
local_size: 5
alpha: 0.0001
beta: 0.75
}
}
layer {
name: "pool2" #第二池化层
type: "Pooling"
bottom: "norm2"
top: "pool2"
pooling_param {
pool: MAX
kernel_size: 3 #卷积核大小 3*3
stride: 2 #步长 2
}
}
layer {
name: "conv3"
type: "Convolution"
bottom: "pool2"
top: "conv3"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
convolution_param {
num_output: 384
pad: 1
kernel_size: 3
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0
}
}
}
layer {
name: "relu3"
type: "ReLU"
bottom: "conv3"
top: "conv3"*
}
layer {
name: "conv4"
type: "Convolution"
bottom: "conv3"
top: "conv4"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
convolution_param {
num_output: 384
pad: 1
kernel_size: 3
group: 2
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0.1
}
}
}
layer {
name: "relu4"
type: "ReLU"
bottom: "conv4"
top: "conv4"
}
layer {
name: "conv5"
type: "Convolution"
bottom: "conv4"
top: "conv5"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
convolution_param {
num_output: 256
pad: 1
kernel_size: 3
group: 2
weight_filler {
type: "gaussian"
std: 0.01
}
bias_filler {
type: "constant"
value: 0.1
}
}
}
layer {
name: "relu5"
type: "ReLU"
bottom: "conv5"
top: "conv5"
}
layer {
name: "pool5"
type: "Pooling"
bottom: "conv5"
top: "pool5"
pooling_param {
pool: MAX
kernel_size: 3
stride: 2
}
}
layer {
name: "fc6" #全连接层
type: "InnerProduct" #全连接层实际上也是一种卷积层，只是它的卷积核大小和原数据大小一致。因此它的参数基本和卷积层的参数一样
bottom: "pool5" #输入是pool5
top: "fc6" #输出是fc6
param {
lr_mult: 1 #权值学习率系数
decay_mult: 1 #权值衰减
}
param {
lr_mult: 2 #偏置的学习率系数
decay_mult: 0 #偏置衰减
}
inner_product_param {
num_output: 4096 #输出的个数
weight_filler {
type: "gaussian" #高斯分布
std: 0.005 #标准差
}
bias_filler {
type: "constant"
value: 0.1 #偏置固定值0.1
}
}
}
layer {
name: "relu6"
type: "ReLU"
bottom: "fc6"
top: "fc6"
}
layer {
name: "drop6" #对于神经网络单元，按照一定的概率将其暂时从网络中丢弃
type: "Dropout" #防止过拟合
bottom: "fc6" #该层输入fc6
top: "fc6" #该层输出fc6
dropout_param {
dropout_ratio: 0.5 #dropout 的概率
}
}
layer {
name: "fc7"
type: "InnerProduct"
bottom: "fc6"
top: "fc7"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
inner_product_param {
num_output: 4096
weight_filler {
type: "gaussian"
std: 0.005
}
bias_filler {
type: "constant"
value: 0.1
}
}
}
layer {
name: "relu7"
type: "ReLU"
bottom: "fc7"
top: "fc7"
}
layer {
name: "drop7"
type: "Dropout"
bottom: "fc7"
top: "fc7"
dropout_param {
dropout_ratio: 0.5
}
}
layer {
name: "fc8"
type: "InnerProduct"
bottom: "fc7"
top: "fc8"
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
}
}
}
layer { #caffe中计算Accuracy时，是通过比较最后一个全连接层（神经元个数=类别数、但没有加入activation function）的输出和数据集的labels来得到的，计算过程在AccuracyLayer中实现
name: "accuracy" #正确率层
type: "Accuracy" #利用fc8的输出得到数据集的预测labels
bottom: "fc8" #最后一层全连接作为输入
bottom: "label" #数据层的lable作为另一个输入
top: "accuracy" #输出正确率
include {
phase: TEST #测试的正确率
}
}
layer {
name: "loss" #丢失率
type: "SoftmaxWithLoss"
bottom: "fc8"
bottom: "label"
top: "loss"
}
三、deploy.prototxt测试网络配置文件
name: "AlexNet"
layer {
name: "data"
type: "Input"
top: "data"
#输入数据的batch size, channel, width,height
input_param { shape: { dim: 10 dim: 3 dim: 227 dim: 227 } }
}
...
...
layer {
name: "prob"
#定义的分类器
type: "Softmax"
bottom: "fc8"
top: "prob"
}
注意：