caffe中的train_val.prototxt的檔案的理解
阿新 • • 發佈：2019-01-10
本文以CaffeNet為例：
1. train_val.prototxt
首先，train_val.prototxt檔案是網路配置檔案。該檔案是在訓練的時候用的。
2.deploy.prototxt
該檔案是在測試時使用的檔案。
區別：
首先deploy.prototxt檔案都是在train_val.prototxt檔案的基礎上刪除了一些東西，所形成的。
由於兩個檔案的性質，train_val.prototxt檔案裡面訓練的部分都會在deploy.prototxt檔案中刪除。
在train_val.prototxt檔案中，開頭要加入一下訓練設定檔案和準備檔案。例如，transform_param中的mirror: true（開啟映象）；crop_size: ***（影象尺寸）；mean_file: ""（求解均值的檔案），還有data_param中的source:""（處理過得資料訓練集檔案）；batch_size: ***（訓練圖片每批次輸入圖片的數量）；backend: LMDB（資料格式設定）。然後接下來，訓練的時候還有一個測試的設定，測試和訓練模式的設定通過一個include{phase: TEST/TRAIN}來設定。接下來就是要設定TEST模組內容。然後其他設定跟上面一樣，裡面有個batch_size可以調小一點，因為測試的話不需要特別多的圖片數量。而以上這一塊的內容在deploy裡表現出來的只有一個數據層的設定。只需設定name,type,top,input_param這些即可。
再接下來就是池化層，由於池化就是降低解析度，所以這兩邊是一樣的，只需要設定kernel_size，stride，pool即可。無需引數的初始化。
再接下來就是"conv2"、"relu2"、"pool2"、"LRN2"這樣的迴圈，具體跟之前說的一樣，train_val主要多的就是引數的初始化和學習率的設定。
在第五個卷積層之後，進入了"fc6"層，該層是全連線層，這裡train_val裡面還是多兩個param學習率的設定，和weight_filler、bias_filler的初始化設定，而兩者共同的是有一個輸出向量元素個數的設定：inner_product_param。
再接下來就是啟用函式RELU。
再接下來就是Dropout層，該層的目的就是為了防止模型過擬合。這其中有一個dropout_ration的設定一般為0.5即可。
再接下來就是"fc7"，這一層跟"fc6"相同。然後就是"relu7"、"drop7"都是相同的。然後就是"fc8"也與之前相同。
再接下來train_val的最後一個層是"SoftmaxWithLoss"層，也是簡單的定義了name,type,bottom,top就完了。而這一塊的內容也不在deploy.prototxt檔案中。而在deploy.prototxt檔案中直接定義了一個type:"Softmax"。通過對CaffeNet這兩個檔案的檢視發現deploy.prototxt檔案 和train_val.prototxt檔案之間的差異在很多層裡面牽扯到訓練部分的都會被刪除，然後就是反向傳播訓練部分會被刪除。
其中，這裡面有一個區別在裡頭，就是為什麼train_val裡面的是SoftmaxWithLoss而deploy裡面的是Softmax層（兩個都是損失層，都沒有任何引數）：這裡面其實都是softmax迴歸的應用，只是在定義成Softmax時直接計算了概率時還有forward部分，而在SoftmaxWithLoss部分時是還有backward的部分。所以這裡就出現了區別，具體的區別可以看這兩個檔案的C++定義。
********solver.prototxt************************************************************************************************
在solver.prototxt檔案中新增變數：resultforsnap = 0.64
在src/caffe/proto/caffe.proto 檔案中，
message SolverParameter {}中新增：
optional float resultforsnap = 40 [default = 1e-8];
在include/caffe/solver.hpp檔案中新增變數：
float maxresult；
如何使用：
在solver.cpp中呼叫示例為：
maxresult = param_.resultforsnap();
並且一定要make clean--->make...
********train_val.prototxt************************************************************************************************
在prototxt檔案中，新增：
softmaxloss_param
{
temp： 0.5
}
在src/caffe/proto/caffe.proto 檔案中，
新增（如果已經有，就不用了）：
optional SoftmaxLossParameter softmaxloss_param =41;(ID要唯一)
同時新增：
message SoftmaxLossParameter {
optional float temp= 1 [default =0.5];
}
如何使用？
請在對應的layer中，
this->layer_param_.softmaxloss_param().temp()
就可以呼叫其引數啦！
1. train_val.prototxt
首先，train_val.prototxt檔案是網路配置檔案。該檔案是在訓練的時候用的。
2.deploy.prototxt
該檔案是在測試時使用的檔案。
區別：
首先deploy.prototxt檔案都是在train_val.prototxt檔案的基礎上刪除了一些東西，所形成的。
由於兩個檔案的性質，train_val.prototxt檔案裡面訓練的部分都會在deploy.prototxt檔案中刪除。
在train_val.prototxt檔案中，開頭要加入一下訓練設定檔案和準備檔案。例如，transform_param中的mirror: true（開啟映象）；crop_size: ***（影象尺寸）；mean_file: ""（求解均值的檔案），還有data_param中的source:""（處理過得資料訓練集檔案）；batch_size: ***（訓練圖片每批次輸入圖片的數量）；backend: LMDB（資料格式設定）。然後接下來，訓練的時候還有一個測試的設定，測試和訓練模式的設定通過一個include{phase: TEST/TRAIN}來設定。接下來就是要設定TEST模組內容。然後其他設定跟上面一樣，裡面有個batch_size可以調小一點，因為測試的話不需要特別多的圖片數量。而以上這一塊的內容在deploy裡表現出來的只有一個數據層的設定。只需設定name,type,top,input_param這些即可。
再接下來就是池化層，由於池化就是降低解析度，所以這兩邊是一樣的，只需要設定kernel_size，stride，pool即可。無需引數的初始化。
再接下來就是"conv2"、"relu2"、"pool2"、"LRN2"這樣的迴圈，具體跟之前說的一樣，train_val主要多的就是引數的初始化和學習率的設定。
在第五個卷積層之後，進入了"fc6"層，該層是全連線層，這裡train_val裡面還是多兩個param學習率的設定，和weight_filler、bias_filler的初始化設定，而兩者共同的是有一個輸出向量元素個數的設定：inner_product_param。
再接下來就是啟用函式RELU。
再接下來就是Dropout層，該層的目的就是為了防止模型過擬合。這其中有一個dropout_ration的設定一般為0.5即可。
再接下來就是"fc7"，這一層跟"fc6"相同。然後就是"relu7"、"drop7"都是相同的。然後就是"fc8"也與之前相同。
再接下來train_val的最後一個層是"SoftmaxWithLoss"層，也是簡單的定義了name,type,bottom,top就完了。而這一塊的內容也不在deploy.prototxt檔案中。而在deploy.prototxt檔案中直接定義了一個type:"Softmax"。通過對CaffeNet這兩個檔案的檢視發現deploy.prototxt檔案 和train_val.prototxt檔案之間的差異在很多層裡面牽扯到訓練部分的都會被刪除，然後就是反向傳播訓練部分會被刪除。
其中，這裡面有一個區別在裡頭，就是為什麼train_val裡面的是SoftmaxWithLoss而deploy裡面的是Softmax層（兩個都是損失層，都沒有任何引數）：這裡面其實都是softmax迴歸的應用，只是在定義成Softmax時直接計算了概率時還有forward部分，而在SoftmaxWithLoss部分時是還有backward的部分。所以這裡就出現了區別，具體的區別可以看這兩個檔案的C++定義。
********solver.prototxt************************************************************************************************
在solver.prototxt檔案中新增變數：resultforsnap = 0.64
在src/caffe/proto/caffe.proto 檔案中，
message SolverParameter {}中新增：
optional float resultforsnap = 40 [default = 1e-8];
在include/caffe/solver.hpp檔案中新增變數：
float maxresult；
如何使用：
在solver.cpp中呼叫示例為：
maxresult = param_.resultforsnap();
並且一定要make clean--->make...
********train_val.prototxt************************************************************************************************
在prototxt檔案中，新增：
softmaxloss_param
{
temp： 0.5
}
在src/caffe/proto/caffe.proto 檔案中，
新增（如果已經有，就不用了）：
optional SoftmaxLossParameter softmaxloss_param =41;(ID要唯一)
同時新增：
message SoftmaxLossParameter {
optional float temp= 1 [default =0.5];
}
如何使用？
請在對應的layer中，
this->layer_param_.softmaxloss_param().temp()
就可以呼叫其引數啦！