Caffe学习：其它常用层及参数

àì夳堔傛蜴生んèń 2022-06-06 10:21 233阅读 0赞

本文讲解一些其它的常用层，包括：softmax\_loss层，Inner Product层，accuracy层，reshape层和dropout层及其它们的参数配置。

1、softmax-loss

softmax-loss层和softmax层计算大致是相同的。softmax是一个分类器，计算的是类别的概率（Likelihood），是Logistic Regression 的一种推广。Logistic Regression 只能用于二分类，而softmax可以用于多分类。

softmax与softmax-loss的区别：

softmax计算公式：

![140867-20151224120920468-1151519333.png][]

而softmax-loss计算公式：

![140867-20151224120953062-1170799602.png][]

关于两者的区别更加具体的介绍，可参考：[softmax vs. softmax-loss][]

用户可能最终目的就是得到各个类别的概率似然值，这个时候就只需要一个 Softmax层，而不一定要进行softmax-Loss 操作；或者是用户有通过其他什么方式已经得到了某种概率似然值，然后要做最大似然估计，此时则只需要后面的 softmax-Loss 而不需要前面的 Softmax 操作。因此提供两个不同的 Layer 结构比只提供一个合在一起的 Softmax-Loss Layer 要灵活许多。

不管是softmax layer还是softmax-loss layer,都是没有参数的，只是层类型不同而也

softmax-loss layer：输出loss值

![复制代码][copycode.gif]

layer { name: "loss" type: "SoftmaxWithLoss" bottom: "ip1" bottom: "label" top: "loss" }

![复制代码][copycode.gif]

softmax layer: 输出似然值

layers { bottom: "cls3_fc" top: "prob" name: "prob" type: “Softmax" }

2、Inner Product

全连接层，把输入当作成一个向量，输出也是一个简单向量（把输入数据blobs的width和height全变为1）。

输入： n\*c0\*h\*w

输出： n\*c1\*1\*1

全连接层实际上也是一种卷积层，只是它的卷积核大小和原数据大小一致。因此它的参数基本和卷积层的参数一样。

层类型：InnerProduct

lr\_mult: 学习率的系数，最终的学习率是这个数乘以solver.prototxt配置文件中的base\_lr。如果有两个lr\_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。

必须设置的参数：

num\_output: 过滤器（filfter)的个数

其它参数：

weight\_filler: 权值初始化。 默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设置为”gaussian"

bias\_filler: 偏置项的初始化。一般设置为"constant",值全为0。

bias\_term: 是否开启偏置项，默认为true, 开启

![复制代码][copycode.gif]

layer { name: "ip1" type: "InnerProduct" bottom: "pool2" top: "ip1" param { lr_mult: 1 } param { lr_mult: 2 } inner_product_param { num_output: 500 weight_filler { type: "xavier" } bias_filler { type: "constant" } } }

![复制代码][copycode.gif]

3、accuracy

输出分类（预测）精确度，只有test阶段才有，因此需要加入include参数。

层类型：Accuracy

![复制代码][copycode.gif]

layer { name: "accuracy" type: "Accuracy" bottom: "ip2" bottom: "label" top: "accuracy" include { phase: TEST } }

![复制代码][copycode.gif]

4、reshape

在不改变数据的情况下，改变输入的维度。

层类型：Reshape

先来看例子

![复制代码][copycode.gif]

layer { name: "reshape" type: "Reshape" bottom: "input" top: "output" reshape_param { shape { dim: 0 # copy the dimension from below
            dim: 2 dim: 3 dim: -1 # infer it from the other dimensions
     } } }

![复制代码][copycode.gif]

有一个可选的参数组shape, 用于指定blob数据的各维的值（blob是一个四维的数据：n\*c\*w\*h）。

dim:0  表示维度不变，即输入和输出是相同的维度。

dim:2 或 dim:3 将原来的维度变成2或3

dim:-1 表示由系统自动计算维度。数据的总量不变，系统会根据blob数据的其它三维来自动计算当前维的维度值 。

假设原数据为：64\*3\*28\*28， 表示64张3通道的28\*28的彩色图片

经过reshape变换：

![复制代码][copycode.gif]

reshape_param { shape { dim: 0 dim: 0 dim: 14 dim: -1 } }

![复制代码][copycode.gif]

输出数据为：64\*3\*14\*56

5、Dropout

Dropout是一个防止过拟合的trick。可以随机让网络某些隐含层节点的权重不工作。

先看例子：

![复制代码][copycode.gif]

layer { name: "drop7" type: "Dropout" bottom: "fc7-conv" top: "fc7-conv" dropout_param { dropout_ratio: 0.5 } }

![复制代码][copycode.gif]

只需要设置一个dropout\_ratio就可以了。

还有其它更多的层，但用的地方不多，就不一一介绍了。

随着深度学习的深入，各种各样的新模型会不断的出现，因此对应的各种新类型的层也在不断的出现。这些新出现的层，我们只有在等caffe更新到新版本后，再去慢慢地摸索了。

[140867-20151224120920468-1151519333.png]: /images/20220606/38f3ecfa98c0421bb05630b84e1b7b5f.png
[140867-20151224120953062-1170799602.png]: /images/20220606/d4927fe5cb114ae9a46972aac152213b.png
[softmax vs. softmax-loss]: http://freemind.pluskid.org/machine-learning/softmax-vs-softmax-loss-numerical-stability/
[copycode.gif]: /images/20220606/04258d047b8c43a588a3236351700243.png