caffe 框架梳理（待续）
本文更多資料來源于羅韻北京深度學習資料和Ian Goodfellow的書籍《Deep Learning》
鏈接: http://pan.baidu.com/s/1jIRJ6mU
提取密碼：xehi
caffe：全稱Convolutional Architecture for Fast Feature Embedding，是一個計算CNN 相關算法的框架，用C++和Python實現的。
Caffe的優點與局限性
優點：
? 1. 第一個主流的工業級深度學習工具。
? 2. 專精于圖像處理
? 局限性：
? 1. 它有很多擴展，但是由于一些遺留的架構問題，不夠靈活且對遞歸網絡和語言建模的支持很差。
? 2. 基于層的網絡結構，其擴展性不好，對于新增加的層，需要
自己實現（forward, backward and gradient update）
Caffe目錄結構
? data/ 用于存放下載的訓練數據
? docs/ 幫助文檔
? examples/ 代碼樣例
? matlab/ MATLAB接文件
? python/ PYTHON接文件
? models/ 一些配置好的模型參數
? scripts/ 一些文檔和數據會用到的腳本核心代碼
? tools/ 保存的源碼是用于生成二進制處理程序的，caffe在訓練時實際是直接調用這些二進制文件
? include/ Caffe的實現代碼的頭文件
? src/ 實現Caffe的源文件
src/ 文件結構
gtest/ google test 一個用于測試的庫，你make runtest時看見的很多綠?色RUN OK就是它，這個與caffe的學習無關，不過是個有用的庫
caffe/ 關鍵代碼
? test/ 用gtest測試caffe的代碼
? util/ 數據轉換時用的一些代碼。caffe速度快，很大程度得益于內存設計上的優化（blob數據結構采用proto）和對卷積的優化（部分與im2col相
關）
? proto/ 即所謂的“Protobuf”，全稱“Google Protocol Buffer”，是一種數據存儲格式，幫助caffe提速
? layers/ 深度神經網絡中的基本結構就是一層層互不相同的網絡了，這個
文件夾下的源文件以及目前位置“src/caffe”中包含所有.cpp文件就是caffe的核心目錄下的核心代碼了。
Caffe核心代碼
? blob[.cpp .h] 基本的數據結構Blob類
? common[.cpp .h] 定義Caffe類
? internal_thread[.cpp .h] 使用boost::thread線程庫
? net[.cpp .h] 網絡結構類Net
? solver[.cpp .h] 優化方法類Solver
? data_transformer[.cpp .h] 輸入數據的基本操作類DataTransformer
? syncedmem[.cpp .h] 分配內存和釋放內存類CaffeMallocHost，用于同步GPU，CPU數據
? layer[.cpp .h] 層類Layer
? layers/ 此文件夾下面的代碼全部至少繼承了類Layer, 從layer_factory中注冊繼承
1. Caffe三級結構（Blobs,Layers,Nets）
? Blob：用于數據的保存、交換和操作，Caffe基礎存儲結構
? Layer：用于模型和計算的基礎
? Net：整合連接Layers
1.1 Blobs結構
? 在內存中表示4維數組，在caffe/blob.hpp中，維度包括
（width_,height_,channels_,num_）
? num_用于存儲數據或權值（data）和權值增量（diff）
? Blob 在caffe源碼 blob.hpp中是一個模板類。
? protected 的成員變量有：data_ , diff_ , shape_ , count_ , capacity_ ，其中data_ 和diff_ 是共享SyncedMemory 類（在syncedmem的源碼中定義）的智能指針，shape_是int型的vector，count_ 和capacity_ 是整型變量。
? 其成員函數主要有：Reshape 、ReshapeLike、SharedData、 Updata 等等
? blob.hpp 包含了caffe.pb.h ，說明caffe protobuf 會向blob 傳遞參數。
“caffe/proto/caffe.pb.h”
? caffe.pb.h是google protocol buffer根據caffe.proto自動生成的，可以到src/caffe/proto/caffe.proto里看下caffe里面用到的各個數據的定義，比如BlobProto，Datum，NetParameter等。使用這個protocol buffer看起來確實方便，一方面可以用文本文件定義結構化的數據類型，另一方面可以生成查詢效率更高、占空間更小的二進制文件。
“caffe/common.hpp”
? 主要singleton化Caffe類，并封裝了boost和CUDA隨機數生成的函數，提供了統一的接口。
“caffe/syncedmem.hpp”
? 定義了以下的接?口：
? inline void CaffeMallocHost(void** ptr, size_t size)
? inline void CaffeFreeHost(void* ptr)
? 主要是分配內存和釋放內存的。而class SyncedMemory定義了內存分配管理和CPU與GPU之間同步的函數。
“caffe/util/math_functions.hpp”
? 封裝了很多cblas矩陣運算
caffe.proto里面BlobProto的定義
message BlobProto {optional BlobShape shape = 7;repeated float data = 5 [packed = true];repeated float diff = 6 [packed = true];repeated double double_data = 8 [packed = true];repeated double double_diff = 9 [packed = true];// 4D dimensions -- deprecated. Use "shape" instead.optional int32 num = 1 [default = 0];optional int32 channels = 2 [default = 0];optional int32 height = 3 [default = 0];optional int32 width = 4 [default = 0]; }? 對于BlobProto，可以看到定義了四個optional的int32類型的名字（name）num、channels、height和width，optional意味著Blob可以有一個或者沒有這個參數，每個名字（name）后面都有一個數字，這個數字是其名字的一個標簽。這個數字就是用來在生成的二進制文件中搜索查詢的標簽。關于這個數字，1到15會花費1byte的編碼空間，16到2047花費2byte。所以?一般建議把那些頻繁使用的名字的標簽設為1到15之間的值。而后面的repeated意味著float類型的data和diff可以重復任意次，而加上[packed = true]是為了更高效的編碼。 ? 主要數據有兩個data和diff，用num、channels、height和width這四個維度來確定數據的具體位置，做一些數據查詢和Blob reshape的操作。Blobs封裝了運行時的數據信息，提供了CPU和GPU的同步。從數學上來說, Blob就是一個N維數組。它是caffe中的數據操作基本單位，就像matlab中以矩陣為基本操作對象一樣。只是矩陣是二維的，而Blob是N維的。N可以是2，3，4等等。
對于圖片數據來說，Blob可以表示為（N*C*H*W）這樣一個4D數組。其中N表示圖片的數量，C表示圖片的通道數，H和W分別表示圖片的高度和寬度。
當然，除了圖片數據，Blob也可以用于非圖片數據。比如傳統的多層感知機，就是比較簡單的全連接網絡，用2D的Blob，調用innerProduct層來計算就可以了。
在模型中設定的參數，也是用Blob來表示和運算。它的維度會根據參數的類型不同而不同。比如：在一個卷積層中，輸入一張3通道圖片，有96個卷積核，每個核大小為11*11，因此這個Blob是96*3*11*11. 而在一個全連接層中，假設輸入1024通道圖片，輸出1000個數據，則Blob為1000*1024。
1.2 Layer的五種類型
? Layer
? 所有的Pooling，Convolve，apply nonlinearities等操作都在這里實現。在Layer中input data用bottom表示，output data用top表示。每一層定義了三種操作setup（Layer初始化）, forward（正向傳導，根據input計算output）, backward（反向傳導計算，根據output計算input的梯度）。forward和backward有GPU和CPU兩個版本的實現。
層是網絡模型的組成要素和計算的基本單位。層的類型比較多，如Data,Convolution,Pooling,ReLU,Softmax-loss,Accuracy等，一個層的定義大至如下圖：
從bottom進行數據的輸入 ，計算后，通過top進行輸出。圖中的黃色多邊形表示輸入輸出的數據，藍色矩形表示層。
每一種類型的層都定義了三種關鍵的計算：setup,forward and backword
setup: 層的建立和初始化，以及在整個模型中的連接初始化。
forward: 從bottom得到輸入數據，進行計算，并將計算結果送到top，進行輸出。
backward: 從層的輸出端top得到數據的梯度，計算當前層的梯度，并將計算結果送到bottom,向前傳遞。
正向傳播的是數據，反向傳播的是誤差損失和梯度。
? 5種衍生Layers:
? data_layer
layer {name: "cifar"type: "Data"top: "data"top: "label"include {phase: TRAIN}transform_param {mean_file: "examples/cifar10/mean.binaryproto"}data_param {source: "examples/cifar10/cifar10_train_lmdb"batch_size: 100backend: LMDB} } name: 表示該層的名稱，可隨意取type: 層類型，如果是Data，表示數據來源于LevelDB或LMDB。根據數據的來源不同，數據層的類型也不同。一般都是采 用的LevelDB或LMDB數據，因此層類型設置為Data。top或bottom: 每一層用bottom來輸入數據，用top來輸出數據。如果只有top沒有bottom，則此層只有輸出，沒有輸入。反之亦然。如果有多個 top或多個bottom，表示有多個blobs數據的輸入和輸出。data 與 label: 在數據層中，至少有一個命名為data的top。如果有第二個top，一般命名為label。 這種(data,label)配對是分類模型所必需的。include: 一般訓練的時候和測試的時候，模型的層是不一樣的。該層（layer）是屬于訓練階段的層，還是屬于測試階段的層，需要用include來指定。如果沒有include參數，則表示該層既在訓練模型中，又在測試模型中。Transformations: 數據的預處理，可以將數據變換到定義的范圍內。如設置scale為0.00390625，實際上就是1/255, 即將輸入數據由0-255歸一化到0-1之間mirror # 1表示開啟鏡像，0表示關閉，也可用ture和false來表示 crop_size: 227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
data_layer主要包含與數據有關的文件。在官方文檔中指出data是caffe數據的入口是網絡的最低層，并且支持多種格式，在這之中又有5種LayerType
? DATA 用于LevelDB或LMDB數據格式的輸入的類型，輸入參數有source,batch_size, (rand_skip), (backend)。后兩個是可選。
數據來自于數據庫（如LevelDB和LMDB）
層類型（layer type）:Data
必須設置的參數：
source: 包含數據庫的目錄名稱，如examples/mnist/mnist_train_lmdb
batch_size: 每次處理的數據個數，如64
可選的參數：
rand_skip: 在開始的時候，路過某個數據的輸入。通常對異步的SGD很有用。
backend: 選擇是采用LevelDB還是LMDB, 默認是LevelDB.
? MEMORY_DATA 這種類型可以直接從內存讀取數據使用時需要調用MemoryDataLayer::Reset，輸入參數有batch_size, channels, height, width。
數據來自于內存層類型：MemoryData必須設置的參數：
batch_size：每一次處理的數據個數，比如2，channels：通道數
height：高度，width: 寬度
示例：
? HDF5_DATA HDF5數據格式輸入的類型，輸入參數有source, batch_size。
? HDF5_OUTPUT HDF5數據格式輸出的類型，輸入參數有file_name。
數據來自于HDF5
層類型：HDF5Data
必須設置的參數：
source: 讀取的文件名稱
batch_size: 每一次處理的數據個數
示例：
? IMAGE_DATA 圖像格式數據輸入的類型，輸入參數有source, batch_size,(rand_skip), (shuffle), (new_height), (new_width)。
數據來自于圖片
層類型：ImageData
必須設置的參數：
source: 一個文本文件的名字，每一行給定一個圖片文件的名稱和標簽（label)
batch_size: 每一次處理的數據個數，即圖片數
可選參數：
rand_skip: 在開始的時候，路過某個數據的輸入。通常對異步的SGD很有用。
shuffle: 隨機打亂順序，默認值為false
new_height,new_width: 如果設置，則將圖片進行resize
示例：
? 其實還有兩種WINDOW_DATA, DUMMY_DATA?用于測試和預留的接?口,不重要。
數據來源于Windows
層類型：WindowData
必須設置的參數：
source: 一個文本文件的名字
batch_size: 每一次處理的數據個數，即圖片數
示例：
? neuron_layer
同樣是數據的操作層，neuron_layer實現里大量激活函數，主要是元素級別的操作，具有相同的bottom,top size。
? Caffe中實現了大量激活函數GPU和CPU的都有很多。它們的父類都是
NeuronLayer
1、Sigmoid
對每個輸入數據，利用sigmoid函數執行操作。這種層設置比較簡單，沒有額外的參數。
層類型：Sigmoid
示例
layer {name: "encode1neuron"bottom: "encode1"top: "encode1neuron"type: "Sigmoid" }2、ReLU / Rectified-Linear and Leaky-ReLU
ReLU是目前使用最多的激活函數，主要因為其收斂更快，并且能保持同樣效果。
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)層類型：ReLU
可選參數：
negative_slope：默認為0. 對標準的ReLU函數進行變化，如果設置了這個值，那么數據為負數時，就不再設置為0，而是用原始數據乘以negative_slope
一般的參數設置格式如下（以ReLU為例）
layers { name: "relu1" type: RELU bottom: "conv1" top: "conv1" }RELU層支持in-place計算，這意味著bottom的輸出和輸入相同以避免內存的消耗。
3、TanH / Hyperbolic Tangent
利用雙曲正切函數對數據進行變換。
層類型：TanH
layer {name: "layer"bottom: "in"top: "out"type: "TanH" }4、Absolute Value
求每個輸入數據的絕對值。
f(x)=Abs(x)層類型：AbsVal
layer {name: "layer"bottom: "in"top: "out"type: "AbsVal" }5、Power
對每個輸入數據進行冪運算
f(x)= (shift + scale * x) ^ power層類型：Power
可選參數：
power: 默認為1
scale: 默認為1
shift: 默認為0
6、BNLL
binomial normal log likelihood的簡稱
f(x)=log(1 + exp(x))層類型：BNLL
layer {name: "layer"bottom: "in"top: "out"type: “BNLL” }? loss_layer
Loss層計算網絡誤差，loss_layer.hpp頭文件調用情況
? #include “caffe/blob.hpp" ? #include “caffe/common.hpp" ? #include “caffe/layer.hpp" ? #include “caffe/neuron_layers.hpp" ? #include “caffe/proto/caffe.pb.h"可以看見調用了neuron_layers.hpp，估計是需要調用里面的函數計算Loss，一般來說Loss放在最后一層。caffe實現了大量loss function，它們的父類都是LossLayer。
? template <typename Dtype> ? class LossLayer : public Layer<Dtype>softmax-loss
softmax-loss層和softmax層計算大致是相同的。softmax是一個分類器，計算的是類別的概率（Likelihood），是Logistic Regression 的一種推廣。Logistic Regression 只能用于二分類，而softmax可以用于多分類。
softmax與softmax-loss的區別：
softmax計算公式：
而softmax-loss計算公式
關于兩者的區別更加具體的介紹，可參考：softmax vs. softmax-loss
用戶可能最終目的就是得到各個類別的概率似然值，這個時候就只需要一個 Softmax層，而不一定要進行softmax-Loss 操作；或者是用戶有通過其他什么方式已經得到了某種概率似然值，然后要做最大似然估計，此時則只需要后面的 softmax-Loss 而不需要前面的 Softmax 操作。因此提供兩個不同的 Layer 結構比只提供一個合在一起的 Softmax-Loss Layer 要靈活許多。
不管是softmax layer還是softmax-loss layer,都是沒有參數的，只是層類型不同而也
layer {name: "loss"type: "SoftmaxWithLoss"bottom: "ip1"bottom: "label"top: "loss" }softmax layer: 輸出似然值
layers {bottom: "cls3_fc"top: "prob"name: "prob"type: “Softmax" }? common_layer
這一層主要進行的是vision_layer的連接
聲明了9個類型的common_layer，部分有GPU實現
Inner Product
全連接層，把輸入當作成一個向量，輸出也是一個簡單向量（把輸入數據blobs的width和height全變為1）。
輸入： n*c0*h*w
輸出： n*c1*1*1
全連接層實際上也是一種卷積層，只是它的卷積核大小和原數據大小一致。因此它的參數基本和卷積層的參數一樣。
層類型：InnerProduct
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。
必須設置的參數：
num_output: 過濾器（filfter)的個數
其它參數：
weight_filler: 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: 偏置項的初始化。一般設置為"constant",值全為0。bias_term: 是否開啟偏置項，默認為true, 開啟
layer {name: "ip1"type: "InnerProduct"bottom: "pool2"top: "ip1"param {lr_mult: 1}param {lr_mult: 2}inner_product_param {num_output: 500weight_filler {type: "xavier"}bias_filler {type: "constant"}} }accuracy
輸出分類（預測）精確度，只有test階段才有，因此需要加入include參數。
層類型：Accuracy
reshape
在不改變數據的情況下，改變輸入的維度。
層類型：Reshape
示例如下
有一個可選的參數組shape, 用于指定blob數據的各維的值（blob是一個四維的數據：n*c*w*h）。
dim:0 表示維度不變，即輸入和輸出是相同的維度。
dim:2 或 dim:3 將原來的維度變成2或3
dim:-1 表示由系統自動計算維度。數據的總量不變，系統會根據blob數據的其它三維來自動計算當前維的維度值 。
假設原數據為：64*3*28*28， 表示64張3通道的28*28的彩色圖片
經過reshape變換：
輸出數據為：64*3*14*56
Dropout
Dropout是一個防止過擬合的trick。可以隨機讓網絡某些隱含層節點的權重不工作。
先看例子：
layer {name: "drop7"type: "Dropout"bottom: "fc7-conv"top: "fc7-conv"dropout_param {dropout_ratio: 0.5} }只需要設置一個dropout_ratio即可。
? vision_layer
主要是實現Convolution和Pooling操作, 主要有以下幾個類：
? ConvolutionLayer 最常用的卷積操作
更多細節可見卷積步長
卷積中的卷
示例
layer {name: "conv1"type: "Convolution"bottom: "data"top: "conv1"param {lr_mult: 1}param {lr_mult: 2}convolution_param {num_output: 20kernel_size: 5stride: 1weight_filler {type: "xavier"}bias_filler {type: "constant"}} }? Im2colLayer 與MATLAB里面的im2col類似，即image-tocolumn
transformation，轉換后方便卷積計算
? LRNLayer 全稱local response normalization layer，在Hinton論文中有詳細介紹ImageNet Classification with Deep Convolutional Neural Networks 。
此層是對一個輸入的局部區域進行歸一化，達到“側抑制”的效果。 參數：全部為可選，沒有必須local_size: 默認為5。如果是跨通道LRN，則表示求和的通道數；如果是在通道內LRN，則表示求和的正方形區域長度。alpha: 默認為1，歸一化公式中的參數。beta: 默認為5，歸一化公式中的參數。norm_region: 默認為ACROSS_CHANNELS。有兩個選擇，ACROSS_CHANNELS表示在相鄰的通道間求和歸一化。WITHIN_CHANNEL表示在一個通道內部特定的區域內進行求和歸一化。與前面的local_size參數對應。歸一化公式：對于每一個輸入, 去除以 ，得到歸一化后的輸出
layers {name: "norm1"type: LRNbottom: "pool1"top: "norm1"lrn_param {local_size: 5alpha: 0.0001beta: 0.75} }? PoolingLayer Pooling操作
池化層，為了減少運算量和數據維度而設置的一種層。 層類型：Pooling 必須設置的參數：kernel_size: 池化的核大小。也可以用kernel_h和kernel_w分別設定。 其它參數：pool: 池化方法，默認為MAX。目前可用的方法有MAX, AVE, 或STOCHASTICpad: 和卷積層的pad的一樣，進行邊緣擴充。默認為0stride: 池化的步長，默認為1。一般我們設置為2，即不重疊。也可以用stride_h和stride_w來設置。示例
layer {name: "pool1"type: "Pooling"bottom: "conv1"top: "pool1"pooling_param {pool: MAXkernel_size: 3stride: 2} }pooling層的運算方法基本是和卷積層是一樣的。輸入：n*c*w0*h0 輸出：n*c*w1*h1 和卷積層的區別就是其中的c保持不變w1=floor((w0+2*pad-kernel_size)/stride)+1;向下取整h1=floor((h0+2*pad-kernel_size)/stride)+1;向下取整 如果設置stride為2，前后兩次卷積部分不重疊。100*100的特征圖池化后，變成50*50. 由pad, kernel_size和stride三者共同決定。
更多細節可見卷積步長
池化層
1.3 Nets結構
Net由一系列的Layer組成(無回路有向圖DAG)，Layer之間的連接由一個文本文件描述。模型初始化Net::Init()會產生blob和layer并調用Layer::SetUp。在此過程中Net會報告初始化進程。這里的初始化與設備無關，在初始化之后通過Caffe::set_mode()設置Caffe::mode()來選擇運行
平臺CPU或GPU，結果是相同的。
Net
就像搭積木一樣，一個net由多個layer組合而成。
現給出 一個簡單的2層神經網絡的模型定義( 加上loss 層就變成三層了)，先給出這個網絡的拓撲。
第一層：name為mnist, type為Data，沒有輸入（bottom)，只有兩個輸出（top),一個為data,一個為label
第二層：name為ip，type為InnerProduct, 輸入數據data, 輸出數據ip
第三層：name為loss, type為SoftmaxWithLoss，有兩個輸入，一個為ip,一個為label，有一個輸出loss,沒有畫出來。
對應的配置文件prototxt就可以這樣寫：
第一行將這個模型取名為LogReg, 然后是三個layer的定義，參數都比較簡單，只列出必須的參數。
卷積神經網絡示例
優化求解過程Solver
solver算是caffe的核心的核心，它協調著整個模型的運作。caffe程序運行必帶的一個參數就是solver配置文件。運行代碼一般為
./build/tools/caffe train --solver=examples/myfile/solver.prototxt -gpu all &> examples/myfile/output/output.log #或者 ./build/tools/caffe train -solver examples/myfile/solver.prototxt -gpu all &> examples/myfile/output/output.log在Deep Learning中，往往loss function是非凸的，沒有解析解，我們需要通過優化方法來求解。
? 求解器Solver是什么？
? Caffe的重中之重（核心）——Solver
? 負責對模型優化，讓損失函數(loss function)達到全局最小。
? solver的主要作用就是交替調用前向（forward)算法和后向（backward)算法來更新參數，實際上就是一種迭代的優化算法。
優化算法
caffe提供了六種優化算法來求解最優參數，在solver配置文件中，通過設置type類型來選擇。
Stochastic Gradient Descent (type: "SGD"), AdaDelta (type: "AdaDelta"), Adaptive Gradient (type: "AdaGrad"), Adam (type: "Adam"), Nesterov’s Accelerated Gradient (type: "Nesterov") and RMSprop (type: "RMSProp")Solver的流程
1. 設計好需要優化的對象，以及用于學習的訓練網絡和用于評估的測試網絡。（通過調用另外一個配置文件prototxt來進行）2. 通過forward和backward迭代的進行優化來跟新參數。3. 定期的評價測試網絡。 （可設定多少次訓練后，進行一次測試）4. 在優化過程中顯示模型和solver的狀態在每一次的迭代過程中，solver做了這幾步工作：
? 1、調用forward算法來計算最終的輸出值，以及對應的loss ? 2、調用backward算法來計算每層的梯度 ? 3、根據選用的slover方法，利用梯度進行參數更新 ? 4、記錄并保存每次迭代的學習率、快照，以及對應的狀態。示例
net: "examples/mnist/lenet_train_test.prototxt" test_iter: 100 test_interval: 500 base_lr: 0.01 momentum: 0.9 type: SGD weight_decay: 0.0005 lr_policy: "inv" gamma: 0.0001 power: 0.75 display: 100 max_iter: 20000 snapshot: 5000 snapshot_prefix: "examples/mnist/lenet" solver_mode: CPU設置深度網絡模型。每一個模型就是一個net，需要在一個專門的配置文件中對net進行配置，每個net由許多的layer所組成。注意的是：文件的路徑要從caffe的根目錄開始，其它的所有配置都是這樣。
net: "examples/mnist/lenet_train_test.prototxt"也可用train_net和test_net來對訓練模型和測試模型分別設定。例如：
train_net:"examples/hdf5_classification/logreg_auto_train.prototxt" test_net: "examples/hdf5_classification/logreg_auto_test.prototxt"test_iter要與test layer中的batch_size結合起來理解。mnist數據中測試樣本總數為10000，一次性執行全部數據效率很低，因此我們將測試數據分成幾個批次來執行，每個批次的數量就是batch_size。假設我們設置batch_size為100，則需要迭代100次才能將10000個數據全部執行完。因此test_iter設置為100。執行完一次全部數據，稱之為一個epoch
test_iter: 100測試間隔。也就是每訓練500次，才進行一次測試。
test_interval: 500下面四行用于學習率的設置。只要是梯度下降法來求解優化，都會有一個學習率，也叫步長。base_lr用于設置基礎學習率，在迭代的過程中，可以對基礎學習率進行調整。怎么樣進行調整，就是調整的策略，由lr_policy來設置。
base_lr: 0.01 lr_policy: "inv" gamma: 0.0001 power: 0.75lr_policy可以設置為下面這些值，相應的學習率的計算為：
- fixed: 保持base_lr不變. - step: 如果設置為step,則還需要設置一個stepsize, 返回 base_lr * gamma ^ (floor(iter / stepsize)),其中iter表示當前的迭代次數 - exp: 返回base_lr * gamma ^ iter， iter為當前迭代次數 - inv: 如果設置為inv,還需要設置一個power, 返回base_lr * (1 + gamma * iter) ^ (- power) - multistep: 如果設置為multistep,則還需要設置一個stepvalue。這個參數和step很相似，step是均勻等間隔變化，而multistep則是根據 stepvalue值變化 - poly: 學習率進行多項式誤差, 返回 base_lr (1 - iter/max_iter) ^ (power) - sigmoid: 學習率進行sigmod衰減，返回 base_lr ( 1/(1 + exp(-gamma * (iter - stepsize))))multistep示例：
base_lr: 0.01 momentum: 0.9 weight_decay: 0.0005 # The learning rate policy lr_policy: "multistep" gamma: 0.9 stepvalue: 5000 stepvalue: 7000 stepvalue: 8000 stepvalue: 9000 stepvalue: 9500momentum上一次梯度更新的權重
momentum ：0.9優化算法選擇。這一行可以省掉，因為默認值就是SGD，總共有六種方法可選擇。
type: SGD權重衰減項，防止過擬合的一個參數。
weight_decay: 0.0005每訓練100次，在屏幕上顯示一次。如果設置為0，則不顯示。
display: 100最大迭代次數。這個數設置太小，會導致沒有收斂，精確度很低。設置太大，會導致震蕩，浪費時間。
max_iter: 20000快照。將訓練出來的model和solver狀態進行保存，snapshot用于設置訓練多少次后進行保存，默認為0，不保存。snapshot_prefix設置保存路徑。
還可以設置snapshot_diff，是否保存梯度值，默認為false,不保存。
也可以設置snapshot_format，保存的類型。有兩種選擇：HDF5 和BINARYPROTO ，默認為BINARYPROTO
設置運行模式。默認為GPU,如果你沒有GPU,則需要改成CPU,否則會出錯。
solver_mode: CPUsolver優化方法
caffe的六種優化方法：
Stochastic Gradient Descent (type: "SGD"), AdaDelta (type: "AdaDelta"), Adaptive Gradient (type: "AdaGrad"), Adam (type: "Adam"), Nesterov’s Accelerated Gradient (type: "Nesterov") and RMSprop (type: "RMSProp")Solver就是用來使loss最小化的優化方法。對于一個數據集D，需要優化的目標函數是整個數據集中所有數據loss的平均值。
其中，fW(x(i)) 計算的是數據 x(i) 上的 loss, 先將每個單獨的樣本 x 的 loss 求出來，然后求和，最后求均值。 r(W) 是正則項（weight_decay)，為了減弱過擬合現象。
如果采用這種Loss 函數，迭代一次需要計算整個數據集，在數據集非常大的這情況下，這種方法的效率很低，這個也是我們熟知的梯度下降采用的方法。
在實際中，通過將整個數據集分成幾批（batches), 每一批就是一個mini-batch，其數量（batch_size)為N<<|D|，此時的loss 函數為
有了loss函數后，就可以迭代的求解loss和梯度來優化這個問題。在神經網絡中，用forward pass來求解loss，用backward pass來求解梯度。
在caffe中，默認采用的Stochastic Gradient Descent（SGD）進行優化求解。后面幾種方法也是基于梯度的優化方法（like SGD），因此本文只介紹一下SGD。
1、Stochastic gradient descent（SGD)
隨機梯度下降（Stochastic gradient descent）是在梯度下降法（gradient descent）的基礎上發展起來的，梯度下降法也叫最速下降法。SGD在通過負梯度和上一次的權重更新值Vt的線性組合來更新W，迭代公式如下：
其中， α 是負梯度的學習率(base_lr)，μ 是上一次梯度值的權重（momentum），用來加權之前梯度方向對現在梯度下降方向的影響。這兩個參數需要通過tuning來得到最好的結果，一般是根據經驗設定的。
在深度學習中使用SGD，比較好的初始化參數的策略是把學習率設為0.01左右（base_lr: 0.01)，在訓練的過程中，如果loss開始出現穩定水平時，對學習率乘以一個常數因子（gamma），這樣的過程重復多次。對于momentum，一般取值在0.5--0.99之間。通常設為0.9，momentum可以讓使用SGD的深度學習方法更加穩定以及快速。關于更多的momentum，請參看Hinton的《A Practical Guide to Training Restricted Boltzmann Machines》。
示例
base_lr: 0.01 lr_policy: "step" gamma: 0.1 stepsize: 1000 max_iter: 3500 momentum: 0.9lr_policy設置為step,則學習率的變化規則為 base_lr * gamma ^ (floor(iter / stepsize))
lr_policy設置為step,則學習率的變化規則為 base_lr * gamma ^ (floor(iter / stepsize))
即前1000次迭代，學習率為0.01; 第1001-2000次迭代，學習率為0.001; 第2001-3000次迭代，學習率為0.00001，第3001-3500次迭代，學習率為10-5
上面的設置只能作為一種指導，它們不能保證在任何情況下都能得到最佳的結果，有時候這種方法甚至不work。如果學習的時候出現diverge（比如，你一開始就發現非常大或者NaN或者inf的loss值或者輸出），此時你需要降低base_lr的值（比如，0.001），然后重新訓練，這樣的過程重復幾次直到你找到可以work的base_lr。
2、AdaDelta
AdaDelta是一種”魯棒的學習率方法“，是基于梯度的優化方法（like SGD）。
具體的介紹文獻：
M. Zeiler ADADELTA: AN ADAPTIVE LEARNING RATE METHOD. arXiv preprint, 2012.
示例
net: "examples/mnist/lenet_train_test.prototxt" test_iter: 100 test_interval: 500 base_lr: 1.0 lr_policy: "fixed" momentum: 0.95 weight_decay: 0.0005 display: 100 max_iter: 10000 snapshot: 5000 snapshot_prefix: "examples/mnist/lenet_adadelta" solver_mode: GPU type: "AdaDelta" delta: 1e-6從最后兩行可看出，設置solver type為Adadelta時，需要設置delta的值。
3、AdaGrad
自適應梯度（adaptive gradient）是基于梯度的優化方法（like SGD）
自適應梯度（adaptive gradient）是基于梯度的優化方法（like SGD）
具體的介紹文獻：
Duchi, E. Hazan, and Y. Singer. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization. The Journal of Machine Learning Research, 2011.
示例
net: "examples/mnist/mnist_autoencoder.prototxt" test_state: { stage: 'test-on-train' } test_iter: 500 test_state: { stage: 'test-on-test' } test_iter: 100 test_interval: 500 test_compute_loss: true base_lr: 0.01 lr_policy: "fixed" display: 100 max_iter: 65000 weight_decay: 0.0005 snapshot: 10000 snapshot_prefix: "examples/mnist/mnist_autoencoder_adagrad_train" # solver mode: CPU or GPU solver_mode: GPU type: "AdaGrad"4、Adam
是一種基于梯度的優化方法（like SGD）。
具體的介紹文獻：
D. Kingma, J. Ba. Adam: A Method for Stochastic Optimization. International Conference for Learning Representations, 2015.
5、NAG
Nesterov 的加速梯度法（Nesterov’s accelerated gradient）作為凸優化中最理想的方法，其收斂速度非?？臁?/p>
具體的介紹文獻：
I. Sutskever, J. Martens, G. Dahl, and G. Hinton. On the Importance of Initialization and Momentum in Deep Learning. Proceedings of the 30th International Conference on Machine Learning, 2013.
示例
net: "examples/mnist/mnist_autoencoder.prototxt" test_state: { stage: 'test-on-train' } test_iter: 500 test_state: { stage: 'test-on-test' } test_iter: 100 test_interval: 500 test_compute_loss: true base_lr: 0.01 lr_policy: "step" gamma: 0.1 stepsize: 10000 display: 100 max_iter: 65000 weight_decay: 0.0005 snapshot: 10000 snapshot_prefix: "examples/mnist/mnist_autoencoder_nesterov_train" momentum: 0.95 # solver mode: CPU or GPU solver_mode: GPU type: "Nesterov"6、RMSprop
RMSprop是Tieleman在一次 Coursera課程演講中提出來的，也是一種基于梯度的優化方法（like SGD）
具體的介紹文獻：
T. Tieleman, and G. Hinton. RMSProp: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural Networks for Machine Learning.Technical report, 2012.
示例
net: "examples/mnist/lenet_train_test.prototxt" test_iter: 100 test_interval: 500 base_lr: 1.0 lr_policy: "fixed" momentum: 0.95 weight_decay: 0.0005 display: 100 max_iter: 10000 snapshot: 5000 snapshot_prefix: "examples/mnist/lenet_adadelta" solver_mode: GPU type: "RMSProp" rms_decay: 0.98最后兩行，需要設置rms_decay值。
2. Caffe 的 I/O 模塊
將圖片數據轉化為LMDB數據
■ 第一步：創建圖片文件列表清單，一般為一個txt文件，一行一張圖片
■ 第二步：使用Caffe工具命令
convert_imageset [FLAGS] [ROOTFOLDER/] [LISTFILE] [DB_NAME]
需要帶四個參數：
FLAGS: 圖片參數組
-gray: 是否以灰度圖的方式打開圖片。程序調用opencv庫中的imread()函數來打開圖片，默認為false
-shuffle: 是否隨機打亂圖片順序。默認為false
-backend:需要轉換成的db文件格式，可選為leveldb或lmdb,默認為lmdb
-resize_width/resize_height: 改變圖片的大小。在運行中，要求所有圖片的尺寸一致，因此需要改變圖片大小。 程序調用
opencv庫的resize（）函數來對圖片放大縮小，默認為0，不改變
-check_size: 檢查所有的數據是否有相同的尺寸。默認為false,不檢查
-encoded: 是否將原圖片編碼放入最終的數據中，默認為false
示例文件及代碼見首行中的百度云共享。
#Image to txt:at the path of "scripts" ls IO2LMDB/blue | sed "s:^:blue/:" | sed "s:$: 0:" >> data.txt ls IO2LMDB/red | sed "s:^:red/:" | sed "s:$: 1:" >> data.txt#txt to LMDB : at the path of "OI2LMDB" convert_imageset -shuffle:'true' ./data.txt db_train_lmdb對Layer做參數配置（Data Layer參數配置為例）
layer {name: "cifar" type: "Data"top: "data"top: "label"include {phase: TRAIN}transform_param {mean_file: "examples/cifar10/mean.binaryproto"}data_param {source: "examples/cifar10/cifar10_train_lmdb"batch_size: 100backend: LMDB} }name: 表示該層的名稱，可隨意取。
type: 層類型，如果是Data，表示數據來源于LevelDB或LMDB。根
據數據的來源不同，數據層的類型也不同（后面會詳細闡述）。一
般在練習的時候，我們都是采用的LevelDB或LMDB數據，因此層
類型設置為Data。
top或bottom: 每一層用bottom來輸入數據，用top來輸出數據。如
果只有top沒有bottom，則此層只有輸出，沒有輸?入。反之亦然。如
果有多個 top或多個bottom，表示有多個blobs數據的輸入和輸出。
data 與 label: 在數據層中，至少有一個命名為data的top。如果有
第二個top，一般命名為label。 這種(data,label)配對是分類模型所
必需的。
include: 一般訓練的時候和測試的時候，模型的層是不一樣的。該
層（layer）是屬于訓練階段的層，還是屬于測試階段的層，需要用
include來指定。如果沒有include參數，則表示該層既在訓練模型
中，又在測試模型中。
Transformations: 數據的預處理，可以將數據變換到定義的范圍
內。如設置scale為0.00390625，實際上就是1/255, 即將輸入數據由0-255歸一化到0-1之間。
所有數據預處理都在這里設置：
通常數據的預處理（如減去均值, 放大縮小, 裁剪和鏡像等）,Caffe使用OpenCV做處理
layer {name: "cifar"type: "Data"top: "data"top: "label"include {phase: TEST}transform_param {mean_file: "examples/cifar10/mean.binaryproto"#用一個配置?文件來進行均值操作 mirror: 1 # 1表示開啟鏡像，0表示關閉，也可用ture和false來表示 crop_size: 227 # 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}data_param {source: "examples/cifar10/cifar10_test_lmdb"batch_size: 100backend: LMDB} }3. Caffe 中五種層的實現和參數配置
3.1 卷積層參數配置
layer { name: "conv2" type: "Convolution" bottom: "pool1" top: "conv2" param { lr_mult: 1 #學習率1，和權值更新相關 } param { lr_mult: 2 #學習率2，和權值更新相關 } convolution_param { num_output: 50 # 50個輸出的map kernel_size: 5 #卷積核大小為5*5 stride: 1 #卷積步?長為1 weight_filler { #權值初始化方式 type: “xavier" #默認為“constant",值全為0，很多時候我們也可以?用"xavier"或者”gaussian"來進行初始化 } bias_filler { #偏置值的初始化?方式 type: “constant"#該參數的值和weight_filler類似， ?一般設置為"constant"，值全為0 } } }3.2 池化層參數配置
layer { name: "pool1" type: "Pooling" bottom: "conv1" top: "pool1" pooling_param { pool: MAX #Pool為池化方式，默認值為MAX，可以選擇的參數有MAX、AVE、STOCHASTIC kernel_size: 2 #池化區域的大小，也可以用kernel_h和kernel_w分別設 置長和寬 stride: 2 #步長，即每次池化區域左右或上下移動的距離，一般和kernel_size相同，即為不重疊池化。也可以也可以小于kernel_size，即為重疊池化，Alexnet中就用到了重疊池化的方法 } }3.3 全連接層參數配置
#參數和卷積層表達?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" } } }3.4 激活函數層參數配置
激活函數作用：激活函數是用來引入非線性因素的。
激活函數一般具有以下性質：
■ 非線性： 線性模型的不足我們前邊已經提到。
■ 處處可導：反向傳播時需要計算激活函數的偏導數，所以要求激活函數除個別點外，處處可導。
■ 單調性：當激活函數是單調的時候，單層網絡能夠保證是凸函數。
■ 輸出值的范圍： 當激活函數輸出值是有限的時候，基于梯度的優化方法會更加穩定，因為特征的表示受有限權值的影響更顯著
Type為該層類型，可取值分別為：
(1)ReLU：表示我們使用relu激活函數，relu層支持in-place計算，這意味
著該層的輸入和輸出共享一塊內存，以避免內存的消耗。
(2)Sigmoid：代表使用sigmoid函數；
(3) TanH：代表使用tanh函數；
(4) AbsVal：計算每個輸入的絕對值f(x)=Abs(x)
(5)power對每個輸入數據進行冪運算
f(x)= (shift + scale * x) ^
power
層類型：Power
可選參數：
power: 默認為1
scale: 默認為1
shift：默認值為0
3.5 softmax層
#可以計算給出每個樣本 對應的損失函數值 layer { name: "loss" type: "SoftmaxWithLoss" bottom: "ip2" bottom: "label" top: "loss" }#輸出為每個類別的概率值 layers { name: "prob" type: “Softmax" bottom: " ip2" top: "prob" }4. Caffe的可視化
4.1 網絡結構可視化和特征可視化
可參考
http://blog.csdn.net/jiandanjinxin/article/details/50686461
http://blog.csdn.net/jiandanjinxin/article/details/50410290
4.2 可視化loss和accurary 曲線
cd caffer-master sh data/mnist/get_mnist.sh sh examples/mnist/create_mnist.sh sh examples/mnist/train_lenet.sh &> output.log plot_training_log.py.example -h #可查看用法 ./tools/extra/plot_training_log.py.example 0 testaccuracyvsiters.png output.log ./tools/extra/plot_training_log.py.example 2 testaccuracyvsiters.png output.log使用訓練好的模型
均值文件mean file
■ 將所有訓練樣本的均值保存為文件
■ 圖片減去均值后，再進?行訓練和測試，會提高速度和精度
■ 運行方法：（使用Caffe?工具）
compute_image_mean [train_lmdb] [mean.binaryproto]
fine-turn微調網絡
■ 1. 準備新數據的數據庫（如果需要用mean file,還要準備對應的新的mean file）, 具體方法和圖片轉換lmdb方式一樣。
■ 2. 調整網絡層參數：
■ 將來訓練的網絡配置prototxt中的數據層source換成新數據的數據庫。
■ 調整學習率，因為最后一層是重新學習，因此需要有更快的學習速率相比較其他層，因此我們將，weight和bias的學習速率加快。
■ 3. 修改solver參數
■ 原來的數據是從原始數據開始訓練的，因此一般來說學習速率、步長、迭代次數都比較大，fine turning微調時，因為數據量可能減少了，所以一般來說，test_iter,base_lr,stepsize都要變小一點，其他的策略可以保持不
變。
■ 4. 重新訓練時，要指定之前的權值文件：
■ # caffe train –solver [新的solver文件] –weights [舊的caffemodel]
5. 深度學習模型訓練 Tricks
更多trick可見書籍《Neural Networks: Tricks of the Trade》
5.1 數據準備與擴增
1.1 數據準備：
一般數據集可能不會給出驗證集，所以自?己會從給的訓練集中按照一定比例（9：1）分離出驗證集。
1.2 數據的擴增
因為深度網絡需要在大規模的訓練圖像上來滿足性能，所以當原始圖像中的訓練數據集規模不夠多時，較好的辦法是擴增數據來提升模型性能。換言之，數據擴增對于訓練深度網絡來說是必須的。
常用的方法：
1. 沿著x軸將圖片左右翻轉
2. 隨機的剪切、縮放、旋轉
3. 顏色抖動
4. 提高圖像中像素的飽和度和值（即 HSV顏色空間的 S 和 V 成分）到 0.250.25 和44 之間（在一個樣本圖像內要保證各個像素該值是一樣的），再在圖像上加上一個范圍在 [?0.1,0.1][?0.1,0.1] 之間的值給 H（ hue ，即 HSV 中的色調）這個成分。
5. 用pca來改變RGB的強度值，產生分別對應的特征值和特征向量，然后用均值為0方差為0.1的隨機數與特征值和特征向量相乘得到新的數據。（《ImageNet Classification with Deep Convolutional Neural Networks》）
5.2 圖像預處理
常見的是減均值、除方差，還有變化到-1?1，主要針對不同尺度的特征，進行尺度變換normaliz。
常用的預處理方法：
1. 去均值和規范化
通常作為第一步且較簡單的一種方式是去均值（zero-centered ，通俗地說：讓每個樣本都減去整體樣本的均值，使整體樣本的新均值為 0），并規范化（normalize）它們。
另一種在預處理用于規范化（normalize）數據的方法是將每一個維度的最大最小值分別限定為1 和 ?1 。
在此過程中，數據先經過去均值，然后計算出（能刻畫數據內部相關結果的）協方差矩陣：
>>> X -= np.mean(X, axis = 0) # 去均值 >>> cov = np.dot(X.T, X) / X.shape[0] # 計算協?方差矩陣之后對數據去相關，?方法是將（剛剛去均值后的）原始數據投影到特征基（eigenbasis ）上：
>>> U,S,V = np.linalg.svd(cov) # 對數據的協?方差矩陣計算 SVD 分解 >>> Xrot = np.dot(X, U) # 對數據去相關最后一步是白化，它對去相關后的數據在每個維度上的特征值做尺度規范化處理：
>>> Xwhite = Xrot / np.sqrt(S + 1e-5) # 除以特征值（其實是奇異值的開平方根）5.3 參數初始化
■ 訓練網絡前對參數做初始化。
■ 常用的初始化方法：
1. 全零初始化 —> 錯誤
2. 小隨機數初始化
是一種接近 0 但不是 0的權重初始化方法。
做法是初始化權重為接近 0 的隨機小數，因為很接近 0 但不相等，這也被稱為“對稱破缺”（ symmetry breaking ）。
在訓練中計算出的更新是不同的，并在之后整合自己的“貢獻”作為整個
網絡的不同部分。權重初始化的過程多少有點像 weights0.001×N(0,1)，其中 N(0,1)N表示均值為 0 ，標準差為 1 的高斯分布。當然也可以使用服從均勻分布的隨機小數，但在二者在實際中的性能表現上只有很微弱的差別。
先前通過校準神經元上的方差來初始化參數并未考慮使用 ReLUs這樣的激活函數。最近一篇論?文《Surpassing Human-Level Performance on ImageNet Classification》討論了如何為 ReLUs這樣的激活函數做參數初始化，從而使網絡中神經元的方差為 2.0/n，初始化?方式如下：
5.4 卷積參數的Tricks
■ 1. 圖片輸入是2的冪次方，例如32、64、96、224等。
■ 2. 卷積核大小是3*3或者5*5。
■ 3. 輸入圖片上下左右需要用0補充，即padding，且假如卷積核大小是5
那么padding就是2（圖?片左右上下都補充2），卷積核大小是3padding
大小就是1。
5.5 池化層參數初始化Tricks
■ 1. poolin層也能防?止過擬合，使用overlapped pooling，即用來池化
的數據有重疊，但是pooling的?大小不要超過3，常用的池化是2X2。
■ 2. max pooling比avg pooling效果會好一些。
5.6 學習率
■ 1. 0.1是學習率的常用值
■ 2. 在實際中，如果在驗證集上看不到性能的提升（如損失函數值下降或者準確率上升），那就可以對當前的學習率除以 2（或 5 ）看看效果并循環這一過程，或許能給你一個驚喜。
5.7 正則化：防止過擬合
過擬合，就是擬合函數需要顧忌每一個點，最終形成的擬合函數波動很大。在某些很小的區間里，函數值的變化很劇烈。這就意味著函數在某些小區間里的導數值（絕對值）非常大，由于自變量值可大可小，所以只有系數足夠大，才能保證導數值很大。而正則化是通過約束參數的范數使其不要太大，所以可以在一定程度上減少過擬合情況。
常用防止過擬合方式：
1. L2正則化
2. L1正則化
3. 最大模限制
4. Dropout
Dropout 是一個超級有效、簡單且是前陣子由 Srivastava 等人提出
《Dropout: A Simple Way to Prevent Neural Networks from
Overfitting》的，它是其它正則方法（如 L1 、 L2 、 最大模限制 ）的
補充。在訓練中， dropout 可理解為對整個神經網絡進行抽樣（出的
網絡），并基于輸入數據僅僅更新抽樣網絡的參數。（因為這些抽樣
得到的網絡是共享參數的，所以這些抽樣出的網絡的權重參數并非是
獨立的）。
5.8 觀察損失曲線：學習率
5.9 放大損失曲線：學習率、batch大小
5.10 觀察準確率曲線
5.11 fine-turn的方法
■ 如果你的數據量有限，那么，一般不建議自己完全從頭訓練起caffe
模型。一般是找相關的項目或者模型，先finetuning一下，之后再慢
慢的調整。一般fine tuning的方式，都是把learning rate（solver.prototxt）調低（為原來的十分之一），之后把訓練模型的
最后一層或者兩層的學習速率調大一點————這就相當于，把模
型的前面那些層的學習調低，使得參數更新的慢一點以達到微調的目的。
■ 微調的時候，有時候訓練數據特別少，而且希望模型的前面幾層的
參數保持不變。方法是使得這幾個層的學習速率為0就可以了，比
如設定lr_mult為0。
5.12 模型集成
■ 在機器學習中，集成方法（ ensemble methods ）是指訓練多個學習器并在之后將它們組合使用，最終得到一個強有力的分類器的方法。
■ 幾種集成方式的技巧：
■ 1. 集成不同初始化的模型
使用交叉驗證集來確定最佳的超參數，再在基于最佳超參數的情況下，使用不同的隨機初始化方法來初始化權重來訓練多個模型。該方法的風險在于權重初始化方法的不同產生的差異。
■ 2.集成 topN 表現的模型
使用交叉驗證集確定了最佳的超參數后，再選取表現最佳的前 topN 個模型進行集成。這可以提升集成模型的多樣性，但?風險就是這幾個模型都是局部最優模型。實際實踐中，這種做法可以達到不錯的性能，因為不需要（在交叉驗證后）對模型進行額外的重新訓練。實際上，可以直接在 Caffe Model Zoo 中選擇表現性能在 topN 的幾個深度模型進行集成。
總結
以上是生活随笔為你收集整理的caffe 框架梳理（待续）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 云中神殿露峥嵘！《新大话3》年度资料片倒
- 下一篇： 战争雷霆9月3日抗日胜利纪念日活动