caffe程式中，有時候我們不需要更新某些層，那麼我們該怎麼做呢？
假設共有5個卷積層，conv1,conv2,conv3,conv4,conv5
為了方便，假設只有這5個卷積層，沒有pool層與relu層
卷積層的定義為
layer
bias_filler }
} 1.如果希望conv1,conv2,conv3都不更新，
那麼在conv4的layer定義中，可以新增一句propagate_down : 0
即將層定義修改為：
layer
bias_filler }
} 通過增加的propagate_down : 0，反向傳播會終止在conv4層，忽略conv1,conv2,conv3
2.如果只是希望conv3不更新，conv1,conv2與conv4,conv5都更新：
那麼可以將conv3的學習率設為0 即：
layer
param
convolution_param
bias_filler }}
將weight_filter與bias_filter的學習率均設為0即可
參考：
caffe反向傳播計算 softmax
loss layers.hpp ifndef caffe loss layer hpp define caffe loss layer hpp include include caffe blob.hpp include caffe layer.hpp include caffe proto caf...
caffe 前向傳播和反向傳播
caffe學習筆記3從3.1開始主要翻譯一下caffe的官方文件，寫的非常好，忍不住要作一下。本篇翻譯來自caffe官網的 前向傳播和反向傳播是計算神經網路非常重要的部分。考慮乙個簡單的邏輯回歸分類問題 前向傳播 通過網路的輸入計算輸出結果的過程，在前向傳播中，caffe整合每一層的計算得到整個模型...
神經網路反向傳播更新原理
a 輸入x w1和b2 中間輸出h 省略很多層 wi和bi 輸出y loss函式 b 現在的需求是loss取最小值，可以求出loss對所有引數的梯度，讓沿梯度下降的方向更新引數，例如w1 w1 lr loss w1 c 這樣多次更新，各個引數就一直在往loss的極小值處靠，並且某些引數的梯度為0之後...