在prototxt文件中，层都是用layer{}的结构表示，而里面包含的层的参数可以在caffe.proto文件中找到，比如说Data类型的结构由message DataParameter所定义，Convolution类型的结构由message ConvolutionParameter所定义。
具体说明下：
name表示该层的名称type表示该层的类型，如Data或者Convolution类型top表示该层后接的Blob结构的名称bottom表示该层前接的Blob数据结构的名称*_param表示该层的参数，比如对于某卷积层conv1来说，convolution_param中
num_output表示输出通道数pad表示卷积padkernel_size表示卷积核的大小
这里我推荐一个资源：caffe网络模型各个层详解
https://download.csdn.net/download/pbymw8iwm/10706680
数据层
{ name: "data" type: "Data" top: "data" top: "label" transparam { scale: 0.003920625 // 归一化：1/256 } include { phase: TRAIN/TEST // 训练阶段 } data_param { source: "examples/mnist/train_lmdb" batch_size: 64 // 批量处理数 backend: LMDB // 数据格式，LMDB/HDF5等 } }
卷积层
卷积层是CNN网络的核心，一般用来提取图像特征。
layer { name: "conv" type: "Convolution" bottom: "data" top: "conv" param { lr_mult: 1 // weight的学习率 decay_mult: 1 // 权重衰减 } param { lr_mult: 2 // bias的学习率 decay_mult: 0 } convolution_param { num_output: 20 // 通道数 kernel_size: 5 // 卷积核大小 stride: 1 // 步长 weight_filter { // 权重初始化，xavier/guassion/constant type: "xavier" // 一种均匀化分布 } bias_filter { // 偏置初始化 type: "constant" // 值全为0 } } }
Pool层
池化层，用来减小训练参数规模。
layer { name: "pool" type: "Pooling" bottom: "conv" top: "pool" pooling_param { pool: MAX // 最大化，还有均值化/最小化 kernel_size: 2 // 卷积核大小，缩放效果 stride: 2 // 步长 } }
全连接层
类似卷积层
layer { name: "ip" type: "InnerProduct" bottom: "pool" top: "ip" param { lr_mult: 1 } param { lr_mult: 2 } inner_product_param { num_output: 10 weight_filter { type: "xavier" } bias_filter { type: "constant" } } }
Relu层
激活函数
layer { name: "relu" type: "Relu" bottom: "ip" top: "ip" }
Accuracy层
一般在测试阶段看到训练精度。
layer { name: "accuracy" type: "Accuracy" bottom: "ip" bottom: "label" top: "accuracy" include { phase: TEST } }
Softmax层
损失函数，常用于多个分类
layer { name: "loss" type: "SoftmaxWithLoss" bottom: "ip" bottom: "label" top: "loss" }
BatchNormal层
批量正则化，不依赖于初始值，加快训练速度。
layer { name: "batchnorm" type: "BatchNorm" bottom: "conv" top: "conv" batch_norm_param { use_global_stats: true } include { phase: TRAIN/TEST } }
Scale层
BN层后面一般都要带Scale层，和batchnorm计算公式中的参数有关。
layer { name: "scale" type: "Scale" bottom: "conv" top: "conv" scale_param { bias_term: true } }
Dropout层
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。
layer { name: "drop7" type: "Dropout" bottom: "fc7-conv" top: "fc7-conv" dropout_param { dropout_ratio: 0.5 } }
