層型別：accuracy
layer
}
我也一直非常困惑，計算accuracy應該使用計算得到的labels與資料集真正的labels去做計算，為什麼caffe的accuracy要將fc8接入accuray層呢？原來，在accuracylayer內部，實現了「利用fc8的輸出得到資料集的**labels」（數值最大的那個值得idnex就是樣本的類別），那麼，再與輸入的資料集真實lebels作對比，就實現了accuray的計算！
實際上，如果僅僅是做**，利用fc8的輸出就夠了（輸出值最大的那個位置即為輸入的label），該輸出表示了輸入的樣本屬於每一類的可能性大小，但並不是概率值；
如果為了使輸出具有統計意義，需要加入softmax function，它只是使前面的全連線層的輸出（fc8）具有了概率意義，並不改變這些輸出之前的大小關係，因為softmax function本身就是增函式；
為了利用誤差反向傳播，還需要構造loss function（驗證和訓練的不同僅是驗證列印出accuracy值），需要利用softmax function的輸出，即需要利用輸入樣本屬於每一類的概率值；
/*下面**含全連線層，accuracy，softmaxwithloss層*/
//最後乙個全連線層
layer
# 偏置項（biases）的學習速率因子和衰減因子
param
inner_product_param
bias_filler
}}layer
}/*fc8後面接的softmaxwithloss層做的工作分2步
第一步：對fc8的輸出計算softmax function（結果為概率值）
第二步：利用求得的概率值計算loss值*/
layer
層型別：innerproduct(全連線層)
輸入：n（batch_size大小）*c_i(通道數)*h*w
輸出：n*c_o*1*1
輸入可視為乙個vector，輸出也是乙個vector（height和width被設為1）
全連線層可將學習到的特徵對映到樣本空間的作用。
//分割labels例項**
layer
}
型別（type）：concat（鏈結層）
cpu 實現： ./src/caffe/layers/concat_layer.cpp
cuda、gpu實現： ./src/caffe/layers/concat_layer.cu
引數（concat_param）：（可選）：
axis [default 1]: 0代表鏈結num，1代表鏈結channel
輸入（input） ：
-n_i * c_i * h * w： 第i個blob的維度是n_i * c_i * h * w，共k個
輸出（output）：
if axis = 0: (n_1 + n_2 + … + n_k) * c_1 * h * w, and all input c_i should be the same.（axis = 0時，輸出 blob的維度為(n_1 + n_2 + … + n_k) * c_1 * h * w，要求所有的input的channel相同）
if axis = 1: n_1 * (c_1 + c_2 + … + c_k) * h * w, and all input n_i should be the same.（axis = 0時，輸出 blob的維度為n_1 * (c_1 + c_2 + … + c_k) * h * w，要求所有的input的num相同）
作用：與slicing layer相對應，concat layer用於把多個輸入blob鏈結成乙個輸出blob。
layer
}
layer
}
prod表示將a、b按元素相乘，sum表示將a、b按元素求和，max表示將a、b按元素求最大值。
型別（type）：reshape（對比flatten層）
cpu 實現： ./src/caffe/layers/reshape_layer.cpp
引數（reshape_param）：（可選）
shape（改變後的維度，詳見下面解釋）
輸入（input）：
a single blob with arbitrary dimensions（乙個任意維度的blob）
輸出（output）：
the same blob, with modified dimensions, as specified by reshape_param（相同內容的blob，但維度根據reshape_param改變）
layer
}}
層型別：flatten
作用：用於把乙個維度為n * c * h * w的輸入轉化為乙個維度為 n * (c*h*w)的向量輸出。
關於：幾種lr_policy：
「fixed」
「inv」
「step」
「multistep」
「stepearly」
「poly」
圖形化表示參考：
9.prototxt檔案引數說明
caffe層解讀系列 hinge loss
hinge loss 主要針對要求 maximum margin 的分類問題，因此尤其適用於svm分類。hinge loss的定義如下 l y max 0,1 t cdot y 從定義可以很容易看出，當 t 和 y 符號一致 表示 y 分類正確 且 vert y vert ge 1 時hinge l...
caffe層筆記系列Loss層
1.可選引數 1 ignore label int型變數，預設為空。如果指定值，則label等於ignore label的樣本將不參與loss計算，反向傳播時梯度直接置0。2 normalize bool型變數，即loss會除以參與計算的樣本總數，否則loss等於直接求和。3 normalizati...
caffe 學習系列啟用層及其引數
在啟用層中，對輸入資料進行啟用操作 實際上就是一種函式變換 是逐元素進行運算的。從bottom得到乙個blob資料輸入，運算後，從top輸出乙個blob資料。在運算過程中，沒有改變資料的大小，即輸入和輸出的資料大小是相等的。輸入 n c h w 輸出 n c h w 常用的啟用函式有sigmoid,...