caffe之lenet_train_test.prototxt详解

name: "LeNet"     // 网络的名称为  LeNet
//  训练时数据层的定义
layer {            // 定义一个网络层（Layer）
  name: "mnist"    // 该网络层的名称为 mnist
  type: "Data"    // 该网络层的类型是数据层
  top: "data"      // 层的输出有两个： data 和 label
  top: "label"
  include {
    phase: TRAIN     // 该层参数只在训练阶段有效
  }
  transform_param {
    scale: 0.00390625  //将输入图像数据归一化为0-1，参数为1/255
  }
  data_param {    // 数据层参数
    source: "examples/mnist/mnist_train_lmdb" //LMDB路径
    batch_size: 64  // 一次训练的样本数
    backend: LMDB //读入的训练数据格式，默认leveldb,
  }
}
// 测试（预测）时数据层的定义
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST     // 该层的参数只 test 时使用
  }
  transform_param {
    scale: 0.00390625  // 1/255 归一化数据
  }
  data_param {
    source: "examples/mnist/mnist_test_lmdb"//测试数据路径
    batch_size: 100  // 一次测试使用100个数据
    backend: LMDB
  }
}
// 第一卷积层的定义
layer {
  name: "conv1"     // 该网络层的名称
  type: "Convolution"  // 该网络层类型：卷积层
  bottom: "data"    // 输入是 data
  top: "conv1"   // 输出命名为 conv1
  param {
    lr_mult: 1     //weights的学习率与全局相同
  }
  param {
    lr_mult: 2   //biases的学习率是全局的2倍
  }
  convolution_param {   // 卷积参数设置
    num_output: 20   // 输出 20个 featur maps
    kernel_size: 5  // 卷积核 尺寸 5*5
    stride: 1      // 卷积步长
    weight_filler {
      type: "xavier"  // 指定权值参数初始化方式
    }
    bias_filler {
      type: "constant"   // bias用0初始化
    }
  }
}
// 第一池化层的定义
layer {
  name: "pool1"   // 该网络层的名称
  type: "Pooling"  // 该网络层的类型：池化
  bottom: "conv1"  // 该网络层的输入
  top: "pool1"     // 输出的名称
  pooling_param {   // 池化层的参数设置
    pool: MAX     // 池化类型： 最大池化
    kernel_size: 2  // 2*2区域池化
    stride: 2   // 步长
  }
}
// 第二卷积层定义
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
// 第二池化层定义
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
//第一全链接层定义
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
// 激活函数层定义
layer {
  name: "relu1"
  type: "ReLU"  // 使用ReLU激活函数
  bottom: "ip1" // 输入输出都是ip1，这么做是为了减少变量
  top: "ip1"
}
// 第二全链接层定义，完成分类
layer {
  name: "ip2"
  type: "InnerProduct" // 网络层类型：全链接层
  bottom: "ip1" //输入
  top: "ip2"    //输出
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10  // 输出个数 0-9 完成分类
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
//计算分类准确率的层，只在 test 阶段有效
layer {
  name: "accuracy"
  type: "Accuracy" //类型
  bottom: "ip2"    // 输入
  bottom: "label"   //输入
  top: "accuracy"   //输出
  include {
    phase: TEST   //只在 test 阶段有效
  }
}
//损失层
layer {
  name: "loss"
  type: "SoftmaxWithLoss" //指定采用 SoftmaxWithLoss 损失函数
  bottom: "ip2"   //输入
  bottom: "label" //输入
  top: "loss"  //输出
}