caffe學習筆記網路結構分析

最近的事情比較多，忙過之後終於有時間整理一下思緒了。

在做課題之餘，把caffe框架的網路結構好好梳理了一番，希望可以幫助到有需要的人。

test_iter: 100 #**階段迭代次數為100，設定**迭代次數為100可以覆蓋全部的10000個測試集 # carry out testing every 500 training iterations. test_interval: 500 #測試頻率，訓練時，每迭代500次進行一次測試 # the base learning rate, momentum and the weight decay of the network. base_lr: 0.01 #基礎學習率 momentum: 0.9 #基礎衝量 #solver_type: adagrad weight_decay: 0.0005 #基礎權衰量 # the learning rate policy lr_policy: "inv" #學習速率的衰減策略 gamma: 0.0001 #學習率變化的比率 power: 0.75 # display every 100 iterations display: 100 #每100次顯示一次 # the maximum number of iterations max_iter: 10000 #最大迭代次數 # snapshot intermediate results snapshot: 5000 #每5000次列印一次，即模型儲存一次 snapshot_prefix: "examples/mnist/lenet" #模型儲存位置 # solver mode: cpu or gpu

solver_mode: gpu #設定使用cpu或者gpu進行網路訓練

layer transform_param include: #該層只在訓練階段有效

}

layer 
param 
convolution_param 
bias_filler 
}}

卷積層之後一般都會有乙個relu啟用層

layer

layer 
}

layer 
}

layer 
}

layer

caffe中的資料是以blobs的形式存放的，blobs是四維資料（n，c,h,w）分別表示batch size, channels, height, width，其編號為0,1,2,3.

其中，axis：2表示從第二個軸開始裁剪，也就是裁剪2,3（h，w）兩個軸。

例如：a為bottom,a_size=(20,50,512,512)

b為裁剪的參考輸入，b_size=(20,10,256,256)

c是輸出，c_size=（20,10,256,256）

若axis=1,offeset=(25,128,128)

表示從第乙個軸開始裁剪，也就是裁剪（c,h,w）三個軸。

則c_size=a[：， 25 : 25+b.shape(1), 128 : 128+b.shape(2), 128 : 128+b.shape(3) ]

=a[: , 25 : 35 , 128 : 128+256 , 128 : 128+256 ] = a[ : , 10 , 256 , 256]

即c_size=(20 ,10 ,256 ,256)

為了增加網路輸入通道，可以將輸入簡單的拼接在一起。

如下面**所示，可以將rgb資料和depth資料拼接起來作為網路的輸入。

layer

該層有三種操作：product點乘，sum加減（預設操作），max（取最大值）

layer

eltwise層可以更直接地利用多個輸入資訊，提高演算法的精確度，但是卻增加了演算法的計算時間；而concat層雖然只是簡單的將輸入拼接在一起，對於演算法提高的沒有eltwise層多，但是訓練和測試的速率更快一些。

layer 
}

caffe學習筆記網路結構分析

Caffe神經網路結構彙總

Caffe網路結構層引數詳解

rpn網路結構再分析

caffe學習筆記 網路結構分析

Caffe神經網路結構彙總

Caffe網路結構層引數詳解

rpn網路結構再分析

相關推薦

caffe學習筆記網路結構分析