基于caffe框架遇到的特殊层

转自：
https://blog.csdn.net/xg123321123/article/details/52610919

Batch Normalization

• 意义： 网络训练时，用来加速收敛速度
• 提醒：
  
  • 已经将BN集成为一个layer了，使用时需要和scale层一起使用
  • 训练的时候，将BN层的use_global_stats设置为false； 测试的时候将use_global_stats设置为true，不然训练的时候会报“NAN”或者模型不收敛 – 师兄的经验，我还没试验过
• 用法： 详见 残差神经网络的使用

---

Dropout

• 意义： 防止模型过拟合；训练模型时，随机让网络某些隐含层节点的权重不工作（不工作的那些节点可以暂时认为不是网络结构的一部分，但是它的权重得保留下来，只是暂时不更新而已，因为下次样本输入时它可能又得工作了）
• 用法：
  

layer {
name: “drop7”
type: “Dropout”
bottom: “fc7-conv”
top: “fc7-conv”
dropout_param {
dropout_ratio: 0.5
}
}

---

ReLU

• 意义： 激活函数的一种；对于给定的一个输入值x，如果x > 0，ReLU层的输出为x，如果x < 0，ReLU层的输出为0。
• 提醒： 可选参数negative_slope，此参数使得x < 0时，ReLU层的输出为negative_slope * x；目前已经有了ReLU的进化版 – PReLU
• 用法：
  

layer {
name: “relu1”
type: “ReLU”
bottom: “conv1”
top: “conv1”
relu_param{
negative_slope: [默认：0]
}
}

---

PReLU

• 意义： ReLu的进化版；。
• 提醒： 在负半轴的输出乘以一个系数，而这个系数是可学习的（你可以为其指定学习率），其中value是系数的初始值，channel_shared指定是否在各个通道间共享这个系数。 据说有的实验更快更好地收敛，但有的实验准确率却有所下降 - 具体效果还是得以具体实验为准（自己没有用过，不加评论
  -用法：
  

layer {
name: “relu1”
type: “PReLU”
bottom: “conv1”
top: “conv1”
param {
lr_mult: 1
decay_mult: 0
}
prelu_param {
filler: {
value: 0.33 #: 默认为0.25
}
channel_shared: false
}
}

---

Split

• 意义： 将一份blob复制为n份
• 提醒： caffe会隐式地做这个操作，我也不知道什么时候会显式地用到这个操作，先搁这儿吧(没实际用过这个操作，所以下面的用法不一定对）
• 用法：
  

layer {
name: “split”
type: “split”
bottom: “rois”
top: “rois1”
top: “rois2”
}

---

Reshape

• 意义： 改变blob的维度，而不改变其自身的数据
• 提醒： 每个blob为4维，故有4个dim参数【0代表不改变维度的值，-1代表由caffe计算出值，正数代表将维度更改为对应的值】
  

layer {
name: “reshape”
type: “Reshape”
bottom: “conv1”
top: “conv1”
reshape_param {
shape {
dim: 0 # copy the dimension from below
dim: 2
dim: 3
dim: -1 # infer it from the other dimensions
}
}
}
注： 若1个参数分别为 dim:1 dim:3 dim:2 dim:-1的reshape层，输入为1个维度为1*2*3*4的blob，那么输出的blob维度为1*3*2*4（其中4是由caffe计算而来的）

---

InnerProduct

• 意义： 将输入数据以简单的向量形式进行处理，并且输出一个简单的向量；简单来说，这是一个卷积操作，只不过卷积核尺寸和feature map相同，故输出向量大小为1*1
• 缺点：使用包含全连接层的模型(如AlexNet)必须使用固定大小的输入，有时这是非常不合理的，因为必须对输入图片进行变形。
• 提醒：
  
  • 必要参数：
    num_output (c_o)：滤波器数量
  • 强烈建议参数：
    weight_filler：滤波器的初始分布和分布参数。
  • 可选参数：
    bias_filler：[默认： type: ‘constant’ value: 0]
    bias_term：[默认：true] 指定是否在滤波器输出之后学习并应用附加的偏置。

• 用法：

layer {
name: “fc8”
type: “InnerProduct”
bottom: “fc7”
top: “fc8”

param { # learning rate and decay multipliers for the weights
lr_mult: 1 decay_mult: 1
}

param { # learning rate and decay multipliers for the biases
lr_mult: 2 decay_mult: 0
}

inner_product_param {
num_output: 1000

weight_filler {
type: “xavier”
std: 0.01
}

bias_filler {
type: “constant”
value: 0
}
}
}
注： 比如上面层的输入为 n * c_i * h_i * w_i，那么输入为 n * 1000 * 1 * 1

---

Crop

• 意义：输入两个blob，将bottom[0] 按照bottom[1]的尺寸进行剪裁
• 提醒:
  
  • axis=0,1,2,3分别表示为N,C,H,W；默认axis等于2，即默认从H开始裁剪（裁剪H和W）;可以只设置1个，也可以为每个dimension分别设置
  • offset表示裁剪时的偏移量（如果还是不太清楚的话，戳这儿
• 用法：
  

layer {
type: “Crop”
name: ‘crop’
bottom: ‘score-dsn1-up’
bottom: ‘data’
top: ‘upscore-dsn1’
crop_param {
axis: 2
offset: 5
}
}

---