深度学习caffe框架(2): layer定义

caffe的代码层次

首先让我们回顾一下caffe的代码层次: blob,layer, net和solver.
其中blob是数据结构, layer是网络的层, net是将layer搭建成的网络,solver是网络BP时候的求解算法. 本节主要介绍caffe的layer基本结构, 种类, 以及不同类型的layer如何定义.

layer的基本结构和种类

Caffe的layer的基本结构:

Layer{
 name: "xx"  # 名称
  type: "xx" # 类型
  top: "xx" # 输出
  bottom: "xx" # 输入
  some_param { # 其他参数定义等
    ...
  }
}

从一个典型的卷积神经网络模型结构出发, 首先需要数据输入层,然后是图像的预处理,例如图像切割slice, 卷积层Convolution, 在caffe中,激活函数等数据运算也用layer的方式定义. 总的来说,caffe的layer种类如下:

• 数据输入层:
• 视觉层（Vision Layers): 包括Convolution, Pooling, Local Response Normalization (LRN), im2col等
• 损失层: softmax-loss层, Euclidean层.
• 循环层: RNN, LSTM层等.
• 工具层(Utility layer): 例如reshape层, concat层等
• 普通层(Common layer): dropout层, 全连接层, embed层.

数据输入层:

一个常见的数据输入层定义如下. 输入数据定义为lmdb数据库格式.

layer {
  name: "data"
  type: "CPMData"
  top: "data"
  top: "label"
  data_param {
    source: "/home/zhecao/COCO_kpt/lmdb_trainVal"  # lmdb数据文件路径
    batch_size: 10
    backend: LMDB
  }
  cpm_transform_param { # 图片预处理
    stride: 8 
    max_rotate_degree: 40 # 旋转
    visualize: false 
    crop_size_x: 368 
    crop_size_y: 368
    scale_prob: 1
    scale_min: 0.5 # 缩放比例
    scale_max: 1.1 # 缩放比例
    target_dist: 0.6
    center_perterb_max: 40
    do_clahe: false
    num_parts: 56
    np_in_lmdb: 17
  }
}

详细的数据数据层定义见:http://www.cnblogs.com/denny402/p/5070928.html

视觉层

视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层

卷积层

卷积层是卷积神经网络的核心层. 卷积层的定义:

layer {
  name: "conv1_1"
  type: "Convolution"
  bottom: "image" # 输入
  top: "conv1_1" # 输出
  param { 
    lr_mult: 1.0  #权值学习率的系数，
    decay_mult: 1 # 学习率的衰减系数
  }
  param {
    lr_mult: 2.0 # 偏置的系数
    decay_mult: 0 # 偏置的衰减系数
  }
  convolution_param {
    num_output: 64 #卷积核（filter)的个数
    pad: 1  # 步长
    kernel_size: 3 # 卷积核大小
weight_filler { # 卷积核权值的初始化, 默认是常值0, 或者gaussian/ xavier
      type: "gaussian"       
    std: 0.01
    }
    bias_filler {
      type: "constant"
    }
  }
}

lr_mult: 学习率的系数，最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。
pad: 进行边缘扩充。默认为0, 也就是不扩充。 扩充的时候是左右、上下对称的，比如卷积核的大小为5*5，那么pad设置为2，则四个边缘都扩充2个像素，即宽度和高度都扩充了4个像素,保证在卷积运算之后的特征图就不会变小。也可以通过pad_h和pad_w来分别设定。
输入：n*c0*w0*h0
输出：n*c1*w1*h1
其中，c1就是参数中的num_output，生成的特征图个数
w1=(w0+2*pad-kernel_size)/stride+1;
h1=(h0+2*pad-kernel_size)/stride+1;
如果设置stride为1，前后两次卷积部分存在重叠。如果设置pad=(kernel_size-1)/2,则运算后，宽度和高度不变.

池化层

池化层有效减少了网络参数, 同时尽可能保持了位置信息.

layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX # 池化类型
    kernel_size: 3 # 池化核的大小
    stride: 2 # 步长
  }
}

这里pad还是默认为0,不进行扩充.
输入：n*c*w0*h0
输出：n*c*w1*h1
和卷积层的区别就是其中的c保持不变
w1=(w0+2*pad-kernel_size)/stride+1;
h1=(h0+2*pad-kernel_size)/stride+1;
如果设置stride为2，前后两次卷积部分不重叠。100*100的特征图池化后，变成50*50.

3.局部响应归一化层(Local Response Normalization, LRN)
对于每一个输入, 去除以

得到归一化后的输出

4.Im2col层.
将输入的image的各个区域(小矩阵)拉成向量,然后依次排列形成新的大矩阵.

在caffe中，卷积运算就是先对数据进行im2col操作，再进行内积运算（inner product)。这样做，比原始的卷积操作速度更快。

LRN和im2col层的详细情况见:http://www.cnblogs.com/denny402/p/5071126.html

激活层

在激活层,是对输入做元素级的激活操作(函数变换), 输入和输出的维度是一致的.常用的激活函数有sigmoid, relu和tanh等.
典型的激活层定义:

layer {
  name: "XX"
  bottom: "in_data"
  top: "out_data" 
  type: "Sigmoid"  # 也可以是"ReLU"或者"TanH"
}

以ReLU层为例, 非线性变化层 max(0,x)，一般与CONVOLUTION层成对出现
:

layer {
  name: "relu1"
  type: "ReLU" # 激活函数类型
  bottom: "ip1"
  top: "ip1"
}

其他层

全连接层(inner product)

• weight_filler: 权值初始化。 默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设置为”gaussian"
• bias_filler: 偏置项的初始化。一般设置为"constant",值全为0。
• bias_term: 是否开启偏置项，默认为true, 开启
  全连接层的定义为:

layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500  # 输出参数个数
    weight_filler { # 权重的初始化
      type: "xavier"
    }
    bias_filler { 
      type: "constant"
    }
  }
}

Dropout层

防止过拟合.只需要定义dropout比率就可以了.

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

Softmax-loss层:

如果我们最终目的就是得到各个类别的概率似然值，这个时候就只需要一个 Softmax层，而不一定要进行softmax-Loss 操作；如果输出结果理论上的概率分布已知,然后要做最大似然估计，此时最后需要一个softmax-Loss层.
从Softmax-loss的计算公式可以看出, softmax-loss实际上定义的是交叉熵:

softmax-loss层的定义:

layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip1"

  bottom: "label"
  top: "loss"
}

Softmax和softmax-loss的比较:http://freemind.pluskid.org/machine-learning/softmax-vs-softmax-loss-numerical-stability/

还有如reshape层等,参考:
caffe官网: http://caffe.berkeleyvision.org/tutorial/layers.html