建立网站和小程序需要多少钱中国品牌网官网查询

上文讲解了如何配置caffe的windows运行环境，本文主要总结了基于caffe的网络模型要素及构成、数据库类型。
caffe模型是一个端到端的机器学习引擎，通过合成各层的输出来计算梯度函数，同时通过合成各层的向后传播过程计算损失函数的梯度，从而完成学习任务。

一、模型要素

caffe模型需要两个重要的参数文件：网络模型和参数配置，分别是*.prototxt及*.solver.prototxt。

1、网络模型（以LeNet-5为例）

• data输入层为数据层，一般包括训练数据和测试数据两种类型。其中，source字段指名数据路径，batch_size为批处理数据大小（同一类型图片取值大小看GPU运算能力），scale表示数据在[0,1]之间，backend选择数据类型。

name: "LeNet-5"
layer {name: "mnist"type: "Data"top: "data"top: "label"include {*phase: TRAIN*}transform_param {*scale:* 0.00390625}data_param {*source:* "test_data/MNIST/train"*batch_size:* 64backend: LMDB}
}
layer {name: "mnist"type: "Data"top: "data"top: "label"include {*phase: TEST*}transform_param {scale: 0.00390625}data_param {source: "test_data/MNIST/test"batch_size: 100backend: LMDB}

• convoluation卷积层，bottom为输入层名称，top为输出层名称，bolbs_lr:1，bolbs_lr:2分别表示weight与bias更新时的学习率，这里权重的学习率为solver.prototxt文件中定义的学习率，bias的学习率是weight学习率的2倍，这样收敛速度一般较快。num_output表示滤波的个数，kernel_size表示滤波的大小，stride表示步长，weight_filter表示滤波的类型。

layer {name: "conv1"type: "Convolution"bottom: "data"top: "conv1"param {lr_mult: 1}param {lr_mult: 2}convolution_param {num_output: 20kernel_size: 5stride: 1weight_filler {type: "xavier"}bias_filler {type: "constant"}}
}

• pooling池化层，池化方式分为最大值池化及均值池化。

layer {name: "pool1"type: "Pooling"bottom: "conv1"top: "pool1"pooling_param {pool: MAXkernel_size: 2stride: 2}

• 全连接层

layer {name: "ip1"type: "InnerProduct"bottom: "pool2"top: "ip1"param {lr_mult: 1}param {lr_mult: 2}inner_product_param {num_output: 500weight_filler {type: "xavier"}bias_filler {type: "constant"}}
}

• ReLU激活函数，非线性变化层max（0，x），一般与卷积层成对出现。

layer {name: "relu1"type: "ReLU"bottom: "ip1"top: "ip1"
}

• Softmax层

layer {name: "loss"type: "SoftmaxWithLoss"bottom: "ip2"bottom: "label"top: "loss"
}

2、参数配置

以SSD的solver.prototxt为例解释其中参数的含义。

train_net: "models/VGGNet/VOC0712/SSD_300x300/train.prototxt"
test_net: "models/VGGNet/VOC0712/SSD_300x300/test.prototxt"
test_iter: 619
test_interval: 10000
base_lr: 0.001
display: 10
max_iter: 120000
lr_policy: "multistep"
gamma: 0.1
momentum: 0.9
weight_decay: 0.0005
snapshot: 80000
snapshot_prefix: "models/VGGNet/VOC0712/SSD_300x300/VGG_VOC0712_SSD_300x300"
solver_mode: GPU
device_id: 0
debug_info: false
snapshot_after_train: true
test_initialization: false
average_loss: 10
stepvalue: 80000
stepvalue: 100000
stepvalue: 120000
iter_size: 1
type: "SGD"
eval_type: "detection"
ap_version: "11point"

train/test_net： 训练/测试的模型文件路径。
test_iter： 测试的时候需要迭代的次数。test_iter＊batch_size(测试集)=测试集大小。caffe中的一次迭代指一个batch，而不是一张图片。
test_interval： 指每迭代多少次进行一次测试。
base_lr： 基础学习率。在优化的过程中，该参数的调整方式会根据lr_policy进行确定。
display： 每迭代多少次显示一次结果。
max_iter： 最大迭代次数。
lr_policy： 学习策略。

• fixed：固定学习率basr_lr不变。
• inv：basr_lr=base_lr * (1 + gamma * iter) ^ (- power)
• step：basr_lr=base_lr * gamma ^ (floor(iter / step))
• exp：basr_lr=base_lr * gamma ^ iter
• multistep：与step类似，但step取决于stepvalue。
• poly：basr_lr=base_lr (1 - iter/max_iter) ^ (power)
• sigmoid：basr_lr=base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))

gamma： 与学习率相关的参数，学习率什么时候衰减与stepsize（衰减步长）有关，而衰减多少则与gamma有关。衰减后的学习率lr=lr*gamma。
momentum： 上一次梯度更新的权重。
weight_decay： 权重衰减，防止过拟合。
snapshot： 权重文件保存间隔。
snapshot_prefix： 权重文件保存前缀。
solver_mode： 优化模式。可选CPU模式或者GPU模式。
device_id： GPU序列号，默认从０开始。
debug_info： 是否显示debug信息。
snapshot_after_train： 是否在训练结束后保存一个snapshot文件。便于以后可以在此基础上继续训练。
test_initialization： 确保内存可用并且输出loss的初始值。
average_loss： 显示loss为之前average_loss个loss的平均值。
stepvalue： lr_policy为multistep时的stepsize。
iter_size： 每处理iter_size＊batch_size张图片后进行一次梯度计算。
type： 优化算法的类型。
eval_type： 评价类型。
ap_version： 计算平均准确率的方法。有11point、MaxIntegral、Integral三种。

二、caffe数据

1、caffe.proto文件

Caffe的网络模型利用protocol buffer（prototxt）语言定义后存放在caffe.proto文件中，其优势：
（1）二进制字符串尺寸最小，序列化比较高效；
（2）文本格式易读，与二进制版本兼容；
（3）多语言接口，如C++和Python。

2、caffe数据库

caffe数据库支持三类格式：LevelDB、LMDB和HDF5。
原始图片文件可以通过convert_imageset.cpp转换成caffe框架支持的数据库文件格式，此文件源代码在tools文件夹下，生成的可执行文件在build/tools目录下，使用命令：

convert_imageset [FLAGS] ROOTFOLDER/LISTFILE DB_NAME

• FLAGS：图片参数组，-gray灰度图片，-shuffle随机打乱；
• ROOTFOLDER：图片存放的绝对路径；
• LISTFILE：图片列表清单，一般为一个txt文件，一行一张图片，文件中带不带路径主要与txt文件和图片文件存放位置有关；
• DB_NAME：生成的数据库文件存放目录。

3、Caffe Blob

Caffe使用Blob结构存储、交换和处理网络中正向和反向迭代的数据和导数信息。Blob是Caffe的标准数组结构，提供了caffe的统一内存接口。
一般对批量图像数据，Blob的维度为图像数量N×通道数K×图像高度H×图像宽度W。
例如，在96个空间的卷积层维度为11×11，输入为3通道的滤波器，则Blob的维度为96×3×11×11。
虽然caffe在图像应用中的Blob都是四维坐标，对于非图像应用也完全可以正常使用。