1.數據層

layer {
　　name: "cifar"
　　type: "Data"
　　top: "data" #一般用bottom表示輸入,top表示輸出，多個top代表有多個輸出
　　top: "label"
　　include {
　　phase: TRAIN #訓練網絡分為訓練階段和自測試階段,如果沒寫include則表示該層即在測試中，又在訓練中
　　}
　　transform_param {
　　mean_file: "examples/cifar10/mean.binaryproto" #用一個配置文件來進行均值的操作
　　transform_param {
　　scale: 0.00390625
　　mirror: 1 # 1表示開啟鏡像，0表示關閉，也可用ture和false來表示
　　# 剪裁一個 227*227的圖塊，在訓練階段隨機剪裁，在測試階段從中間裁剪
　　crop_size: 227
　　}
　　}
　　data_param {
　　source: "examples/cifar10/cifar10_train_lmdb" #數據庫來源
　　batch_size: 64 #每次批處理的個數
　　backend: LMDB #選用數據的名稱
　　}
}

### 使用LMDB源
layer {
　　name: "mnist"
　　type: "Data"
　　top: "data"
　　top: "label"
　　include {
　　phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
　　source: "examples/mnist/mnist_train_lmdb"
　　batch_size: 64
　　backend: LMDB
}
}

###使用HDF5數據源
layer {
　　name: "data"
　　type: "HDF5Data"
　　top: "data"
　　top: "label"
　　hdf5_data_param {
　　source: "examples/hdf5_classification/data/train.txt"
　　batch_size: 10
　　}
}

###數據直接來源與圖片
#/path/to/images/img3423.jpg 2
#/path/to/images/img3424.jpg 13
#/path/to/images/img3425.jpg 8

layer {
　　name: "data"
　　type: "ImageData" #類型
　　top: "data"
　　top: "label"
　　transform_param {
　　mirror: false
　　crop_size: 227
　　mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
}
image_data_param {
　　source: "examples/_temp/file_list.txt"
　　batch_size: 50
　　new_height: 256 #如果設置就對圖片進行resize操作
　　new_width: 256
}
}

2.卷積層

layer {
　　name: "conv1"
　　type: "Convolution"
　　bottom: "data"
　　top: "conv1"
　　param {
　　lr_mult: 1 #lr_mult: 學習率的系數，最終的學習率是這個數乘以solver.prototxt配置文件中的base_lr。如果有兩個lr_mult, 則第一個表示權值的學習率，第二個表示偏置項的學習率。一般偏置項的學習率是權值學習率的兩倍。
　　}
　　param {
　　lr_mult: 2
　　}
convolution_param {
　　num_output: 20 #卷積核（filter)的個數
　　kernel_size: 5 #卷積核的大小
　　stride: 1 #卷積核的步長，默認為1
　　pad: 0 #擴充邊緣，默認為0，不擴充
　　weight_filler {
　　type: "xavier" #權值初始化。 默認為“constant",值全為0，很多時候我們用"xavier"算法來進行初始化，也可以設置為”gaussian"
　　}
　　bias_filler {
　　type: "constant" #偏置項的初始化。一般設置為"constant",值全為0
　　}
}
}

輸入：n*c0*w0*h0
輸出：n*c1*w1*h1
其中，c1就是參數中的num_output，生成的特征圖個數
w1=(w0+2*pad-kernel_size)/stride+1;
h1=(h0+2*pad-kernel_size)/stride+1;

3.池化層

layer {
　　name: "pool1"
　　type: "Pooling"
　　bottom: "conv1"
　　top: "pool1"
　　pooling_param {
　　pool: MAX #池化方法，默認為MAX。目前可用的方法有MAX, AVE
　　kernel_size: 3 #池化的核大小
　　stride: 2 #池化的步長，默認為1。一般我們設置為2，即不重疊。
　　}
}

#pooling層的運算方法基本是和卷積層是一樣的。

4.激活函數

#在激活層中，對輸入數據進行激活操作,是逐元素進行運算的,在運算過程中，沒有改變數據的大小，即輸入和輸出的數據大小是相等的。

#ReLU是目前使用最多的激活函數，主要因為其收斂更快，並且能保持同樣效果。標準的ReLU函數為max(x, 0)，當x>0時，輸出x; 當x<=0時，輸出0
f(x)=max(x,0)

layer {
　　name: "relu1"
　　type: "ReLU"
　　bottom: "pool1"
　　top: "pool1"
}

5.全連接層

#全連接層，輸出的是一個簡單向量 參數跟卷積層一樣
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"
　　}
　　}
}
#測試的時候輸入準確率
layer {
　　name: "accuracy"
　　type: "Accuracy"
　　bottom: "ip2"
　　bottom: "label"
　　top: "accuracy"
　　include {
　　phase: TEST
　　}
}

caffe protobuf詳解