一 caffe模組包括四個部分
blob：caffe中資料的封裝，用於layer上流動：
blob四維連續陣列，通常表示為（n，k，w，h），是基礎的資料結構。可表示輸入輸出資料，也可表示引數資料
2. layer：輸入層，輸出層，神經網路層的抽象
layer網路基本單元，每一層定義了三種運算：初始化網路引數，前向傳播，後向傳播
3.net：神經網路結構，將layer層疊關聯起來
net為無迴路有向圖
初始化函式：建立blobs和layers；呼叫layers的setup函式來初始化layers
forward和backward
4.solver：定義神經網路訓練和測試引數
建立訓練網路和測試網路
週期性的測試網路
呼叫前向和反向函式進行的迭代優化和引數更新
solver每輪迭代都會通過前向函式計算輸出和損失（loss），還用反向傳播來計算梯度
二 caffe model
用於儲存和恢復網路引數，字尾為.caffemodel
solver儲存和恢復執行狀態，字尾為.solverstate
三 caffe環境配置
四 caffe原始碼解讀
1.資料夾結構說明
docs：幫助文件
examples：一些**樣例
matlab：matlab介面檔案
python：python介面檔案
model：一些配置好的模型引數
scripts：一些文件和資料用到的指令碼
2.核心**資料夾：
tools：儲存的原始碼是用於生成二進位制處理程式的，也是我們直接使用命令列訓練時候的工具
include：caffe的標頭檔案.hpp，命名方式一般為網路名字開頭
src：caffe的原始檔：.cpp，.cu。其中.cpp檔案對應到了cpu版本的**，.cu檔案對應到了gpu版本的**
3.src/caffe核心原始碼結構
test：用gtest測試caffe的原始碼
util：資料轉換時用的一些**
proto：是一種資料儲存格式，幫助caffe提速，注意，我們在新增網路的時候，需要在這個檔案中新增相應的配置，除此之外， 還需要新增相應的.hpp和.cpp檔案到include和src中
layers：定義並實現了網路的前向，反向等方法
solvers：定義並實現了一系列優化方法，如sgd，adam等
五 caffe配置檔案介紹
solver.prototxt:配置模型訓練的超引數：
net := 指定待訓練模型結構檔案，若沒有明確指定訓練和測試網路，即train_val.prototxt
test_interval := 測試間隔
test_iteration := 測試時進行的迭代次數，等於測試集容量/測試網路的batch size
base_lr := 基本學習率
lr_policy := 學習率變更策略
gamma := 學習率變更策略需要用到的引數
power := 學習率變更策略需要用到的引數
stepsize := 學習率變更策略step的變更步長（固定步長）
stepvalue := 學習率變更策略multistep的變更步長（可變步長）
max_iter := 模型訓練的最大迭代次數
momentum := 動量，是優化策略（adam，sgd,...）用到的引數，如果我們不採用相應的優化策略，這個引數就不用配置
momentum2 := 優化策略adam用到的引數
weight_decay := 權重衰減率
display := 每隔幾次迭代顯示一次結果
snapshot := 快照，每隔幾次儲存一次模型引數
snapshot_prefix := 儲存模型檔案的字首，可以是路徑
type := solver優化策略，即sgd,adam等
solve_mode := 指定訓練模式，即cpu/gpu
device_id := 指定裝置號（使用gpu模式），預設為0
train_val.prototxt:訓練網路
訓練時通常將訓練網路，測試網路定義為train_val.prototxt或分開定義為train.prototxt和test.prototxt
例如
name："lenet"
layer
transform_param
data_param
在網路訓練完成時，往往通過deploy.prorotxt檔案進行網路測試
deploy.prorotxt和train_val.prototxt的主要區別在於：
1. deploy.prorotxt沒有反向傳播部分，因而沒有loss層
2. deploy.prorotxt會去掉資料層，只需告訴輸入的資料維度
3.deploy.prorotxt中將bn層的use_global_stats設定為true
deploy.prorotxt有以下兩種定義方式：
第一種:
layer}input:"data"
input_shape
資料輸入層：data，imagedata，memorydata等
視覺層：包括convolution，pooling，bn，lrn,im2col等
啟用層：relu,sigmoid等
損失層：softmax_loss,euclidean等
迴圈層：rnn, lstm等
工具層：reshape，concat，flatten，slice等
layer基本概念 C 基本概念
由於工作中需要用到c 編寫的一些工具，有時候需要根據需求修改或者定製工具，所以現在不得不學習一下c 的基礎語法，此為筆記，不成章法！機器語言 組合語言 高階語言 面向過程的程式設計方法 物件導向的程式設計方法 泛型程式設計方法 1 演算法設計 2 源程式編輯 3 編譯 4 連線 5 執行除錯 輸入裝...
Eclipse中的基本概念
eclipse中的基本概念 1 display 應用程式一般只需要乙個display物件，該物件實際上是乙個swt物件，代表了底層圖形系統的實現。display的主要任務是事件處理，它負責從作業系統的事件佇列中讀取事件，傳遞給rcp的事件 以便完成具體的任務。需要注意的是，display物件不代表應...
Js中的基本概念
前言 剛畢業的應屆生，學習前端時間並不長，昨天參加面試，一輪筆試，兩輪技術面試。尤其在技術面試的時候感覺到自己基礎知識還是搞的有些亂，也突然明白到了乙個紮實的js基礎對於之後的路是有多重要。準備把js高階程式設計的重點知識從頭梳理一遍。特此記錄一下自己學習的一些自認為比較重要的筆記。看似最難走的路，...