caffe(5) 其他常用层及参数

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：

而softmax-loss计算公式：

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

1 layer {
2   name: "loss"
3   type: "SoftmaxWithLoss"
4   bottom: "ip1"
5   bottom: "label"
6   top: "loss"
7 }

softmax layer: 输出似然值

1 layers {
2   bottom: "cls3_fc"
3   top: "prob"
4   name: "prob"
5   type: “Softmax"
6 }

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

 1 layer {
 2   name: "ip1"
 3   type: "InnerProduct"
 4   bottom: "pool2"
 5   top: "ip1"
 6   param {
 7     lr_mult: 1
 8   }
 9   param {
10     lr_mult: 2
11   }
12   inner_product_param {
13     num_output: 500
14     weight_filler {
15       type: "xavier"
16     }
17     bias_filler {
18       type: "constant"
19     }
20   }
21 }

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

 1 layer {
 2   name: "accuracy"
 3   type: "Accuracy"
 4   bottom: "ip2"
 5   bottom: "label"
 6   top: "accuracy"
 7   include {
 8     phase: TEST
 9   }
10 }

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

 1 layer {
 2     name: "reshape"
 3     type: "Reshape"
 4     bottom: "input"
 5     top: "output"
 6     reshape_param {
 7       shape {
 8         dim: 0  # copy the dimension from below
 9         dim: 2
10         dim: 3
11         dim: -1 # infer it from the other dimensions
12       }
13     }
14   }

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：

1 reshape_param {
2       shape {
3         dim: 0 
4         dim: 0
5         dim: 14
6         dim: -1 
7       }
8     }

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：

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

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。