0%

caffe中train_val.prototxt和deploy.prototxt文件的区别

发表于 更新于 分类于 阅读次数：
本文字数： 1.4k 阅读时长 ≈ 1 分钟

2019年9月2日 下午2:22

浅谈caffe中train_val.prototxt和deploy.prototxt文件的区别 - fx409494616的博客 - CSDN博客

  1. deploy里表现出来的只有一个数据层的设置。(需设置name,type,top,input_param)
    1. 在train_val.prototxt文件中，开头要加入一下训练设置文件和准备文件。
      1. 例如，transform_param中的mirror:true（开启镜像）；crop_size:（图像尺寸）；mean_file:””（求解均值的文件），还有data_param中的source:””（处理过得数据训练集文件）；batch_size:（训练图片每批次输入图片的数量）；backend: LMDB（数据格式设置）。
    2. 然后接下来，训练的时候还有一个测试的设置，测试和训练模式的设置通过一个include{phase: TEST/TRAIN}来设置。接下来就是要设置TEST模块内容。然后其他设置跟上面一样，里面有个batch_size可以调小一点，因为测试的话不需要特别多的图片数量。
  2. 卷积层的设置
    1. train_val.prototxt文件中多了param（反向传播学习率的设置），这里需要设置两个param一个是weight的学习率，一个时bias的学习率，其中一般bias的学习率是weight学习率的两倍。
    2. 然后就是设置convolution_param，但是在train_val里面需要有对weight_filler的初始化和对bias_filler的初始化。
  3. 设置激活激活函数。
    1. 这一块由于没有初始化，所以两个文件都是一样的。
  4. 池化层
    1. 由于池化就是降低分辨率，所以这两边是一样的，只需要设置kernel_size，stride，pool即可。无需参数的初始化。
  5. LRN层
    1. 该层的全称是Local Response Normalization（局部响应值归一化），该层的作用就是对局部输入进行一个归一化操作，不过现在有论文表明，这一层加不加对结果影响不是很大。但这一层的定义都是相同的。
  6. “fc6”层，该层是全连接层
    1. 这里train_val里面还是多两个param学习率的设置，和weight_filler、bias_filler的初始化设置，而两者共同的是有一个输出向量元素个数的设置：inner_product_param。
  7. 激活函数RELU。
  8. Dropout层
    1. 该层的目的就是为了防止模型过拟合。这其中有一个dropout_ration的设置一般为0.5即可。
  9. Accuracy
    1. 这个层是用来计算网络输出相对目标值的准确率，它实际上并不是一个损失层，所以没有反传操作。但是在caffe官网中，它在损失层这一部分。所以在deploy.prototxt文件中，这一层的定义是没有的。
  10. train_val的最后一个层是“SoftmaxWithLoss”层
    1. 也是简单的定义了name,type,bottom,top就完了。而这一块的内容也不在deploy.prototxt文件中。
    2. 而在deploy.prototxt文件中直接定义了一个type:”Softmax”。
  11. 通过对CaffeNet这两个文件的查看发现deploy.prototxt文件和train_val.prototxt文件之间的差异在很多层里面::牵扯到训练部分的都会被删除，然后就是反向传播训练部分会被删除。train_val主要多的就是参数的初始化和学习率的设置::