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) normalization
enum型變數，預設為valid,詳細情況再查詢資料。
2. 歸一化方式
1) 只設定了normalize
a. normalize=true時，歸一化方式為valid.
b. normalize=false(default)時，歸一化方式為batch_size.
2) 設定normalization，此時歸一化方式由normalization決定，不再考慮normalize。
3) example
layer
}
caffe下新增新的loss層
caffe的使用當中，最神秘的就是caffe的原始碼，而我們要做一些創新點的話，基本上都是要修改caffe的原始碼。小魚和大家分享怎麼在caffe下新增新的層。比如要新增乙個新的loss函式 euclidean loss norm layer 1 需要編寫相應的euclidean loss norm...
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學習系列 層解讀
層型別 accuracy layer 可以看到，caffe中計算accuracy時，是通過比較最後乙個全連線層 神經元個數 類別數 但沒有加入activation function 的輸出和資料集的labels來得到的，計算過程在accuracylayer中實現 我也一直非常困惑，計算accurac...