caffe資料層的引數的含義

caffe資料層的引數的含義：

資料層是每個模型的最底層，是模型的入口，不僅提供資料的輸入，也提供資料從blobs轉換成別的格式進行儲存輸出。通常資料的預處理（如

減去均值, 放大縮小, 裁剪和映象等）

，也在這一層設定引數實現。

資料**可以來自高效的資料庫（如

leveldb和lmdb），也可以直接來自於記憶體。如果不是很注重效率的話，資料也可來自磁碟的hdf5檔案和格式檔案。

所有的資料層的都具有的公用引數：先看示例

mean_file: 

"examples/cifar10/mean.binaryproto
"和mean_value值不能同時出現

layer 

transform_param 
data_param 
}

type: 層型別，如果是data，表示資料**於leveldb或lmdb。根據資料的**不同，資料層的型別也不同（後面會詳細闡述）。一般在練習的時候，我們都是採 用的leveldb或lmdb資料，因此層型別設定為data。

top或bottom: 每一層用bottom來輸入資料，用top來輸出資料。如果只有top沒有bottom，則此層只有輸出，沒有輸入。反之亦然。如果有多個 top或多個bottom，表示有多個blobs資料的輸入和輸出。

data 與 label: 在資料層中，至少有乙個命名為data的top。如果有第二個top，一般命名為label。 這種(data,label)配對是分類模型所必需的。

include

: 一般訓練的時候和測試的時候，模型的層是不一樣的。該層（layer）是屬於訓練階段的層，還是屬於測試階段的層，需要用include來指定。如果沒有include引數，則表示該層既在訓練模型中，又在測試模型中。

transformations: 資料的預處理，可以將資料變換到定義的範圍內。如設定scale為0.00390625，實際上就是1/255, 即將輸入資料由0-255歸一化到0-1之間

其它的資料預處理也在這個地方設定：

transform_param

1、資料來自於資料庫（如leveldb和lmdb）

層型別（layer type）:data

必須設定的引數：

source: 包含資料庫的目錄名稱，如examples/mnist/mnist_train_lmdb

batch_size: 每次處理的資料個數，如64

可選的引數：

rand_skip: 在開始的時候，路過某個資料的輸入。通常對非同步的sgd很有用。

backend: 選擇是採用leveldb還是lmdb, 預設是leveldb.

示例：

layer 

transform_param 
data_param 
}

層型別：memorydata

必須設定的引數：

batch_size：每一次處理的資料個數，比如2

channels：通道數

height：高度

width: 寬度

示例：

layer 

transform_param 
}

層型別：hdf5data

必須設定的引數：

source: 讀取的檔名稱

batch_size: 每一次處理的資料個數

示例：

layer 

}

層型別：imagedata

必須設定的引數：

source: 乙個文字檔案的名字，每一行給定乙個檔案的名稱和標籤（label)

batch_size: 每一次處理的資料個數，即數

可選引數：

rand_skip: 在開始的時候，路過某個資料的輸入。通常對非同步的sgd很有用。

shuffle: 隨機打亂順序，預設值為false

new_height,new_width: 如果設定，則將進行resize

示例：

layer 

image_data_param 
}

層型別：windowdata

必須設定的引數：

source: 乙個文字檔案的名字

batch_size: 每一次處理的資料個數，即數

示例：

layer 

transform_param 
window_data_param 
}

caffe的資料層及引數

要執行caffe，需要先建立乙個模型 model 如比較常用的lenet,alex等，而乙個模型由多個屋 layer 構成，每一屋又由許多引數組成。所有的引數都定義在caffe.proto這個檔案中。要熟練使用caffe，最重要的就是學會配置檔案 prototxt 的編寫。層有很多種型別，比如dat...

Caffe資料層及引數

一.資料層及引數 要執行caffe，需要先建立乙個模型 model 如比較常用的lenet,alex等，而乙個模型由多個屋 layer 構成，每一屋又由許多引數組成。所有的引數都定義在caffe.proto這個檔案中。要熟練使用caffe，最重要的就是學會配置檔案 prototxt 的編寫。層有很多...

caffe的solver的引數的含義和設定

caffe的solver的引數的含義和設定 batchsize 每迭代一次，網路訓練的數量，例如 如果你的batchsize 256，則你的網路每迭代一次，訓練256張 則，如果你的總張數為1280000張，則要想將你所有的通過網路訓練一次，則需要1280000 256 5000次迭代。epoch ...