caffe笔记（一）--官方教程整理

Caffe目录结构：核心代码在caffe/src/caffe

*net.cpp:定义网络，整个网络中含有很多layers. net.cpp负责计算整个网络在训练中的forward\backward过程，也就是计算各个层

的gradient

一个典型的net开始于datalayer（从磁盘中加载数据）,终止于losslayer(计算目标函数)

*layers文件夹：各种层的定义，在protobuffer中调用时包含name,type(data,conv,pool...)，connectionstructure(input blobs and out

blobs),layer-spectific parameters(如conv的kernel大小)。定义一个layer需要定义其

setup\在模型初始化时重置layers及其相互之间的关系

forward\从bottom层接受数据，进行计算后将输出送入top层中

backward\给定相对于top层输出的梯度，计算其相对于输入的梯度并传递到bottom

前向和后向函数分别有GPU和CPU两种实现方式。如果没有实现gpu版本，那么layer讲转向作为备用选项的cpu方式。尽管这样会增加

额外的数据传输成本（输入数据由gpu复制到cpu上，之后输出数据从cpu复制到gpu上），但是对于做一些快速的实验这还是很方便

1.Convolution:必填项：1.num_output:指定卷积核的数量

                                    2.kernel_size:指定卷积核的高度和宽度

                       强烈推荐：weight_filter:指定参数的初始化方案，默认为常数0

                                可选项：1.bais_term:指定是否给卷积输出添加偏置项，默认是

                                    2.pad:指定在输入图像周围补0的像素个数

                                    3.stride:指定卷集合在输入图像上的滑动步长

                                    4.group;指定分组卷积操作的组数，默认为1不分组，如果g大于1，可以将卷积核的连接限制为输入数据的一个子集

layer{

name=”conv1”

type=”Convolution”

bottom=”data”

top=”conv1”

param{lr_mult:1decay_mult:1}

param{lr_mult:2decay_mult:0}

convolution_param{

num_output:96

kernel_size:11

stride:4

weight_filter{

type:”gaussian”

std:0.01

}

bias_filter{

type:”constant”

value:0

}

}

}

2.Pooling :必填项：1.kernel_size:指定卷积核的高度和宽度

                       可选项：1.pool:池化方法默认MAX有三种选择最大值，均值和随机池化

                             2.pad:指定在输入图像周围补0的像素个数

         3.stride:指定卷集合在输入图像上的滑动步长

layer{