Python 深度学习-一些关于caffe的天真问题

我试图理解caffe的基础知识，特别是与python一起使用

我的理解是模型定义（比如给定的神经网络架构）必须包含在

'.prototxt'

文件中

当您使用

'.prototxt'

对模型进行数据训练时，将权重/模型参数保存到

'.caffemodel'

文件中

此外，用于培训的

'.prototxt'

文件（包括学习率和正则化参数）与用于测试/部署的文件（不包括它们）之间存在差异

问题：

'.prototxt'

是培训的基础，这是否正确

'.caffemodel'

是使用 培训数据上的“.prototxt”

有一个用于培训的

'.prototxt'

和一个用于 测试中，只有轻微的差异（学习率 和正则化因子），但 架构（假设你使用神经网络）是一样的吗

---

对于这些基本问题和一些可能非常不正确的假设，我深表歉意。我正在进行一些在线研究，上面几行总结了我迄今为止的理解。

让我们看看BVLC/caffe提供的一个示例：。
您会注意到实际上有3

'.prototxt'

文件：

• ：此文件描述培训阶段的网络体系结构
• ：此文件描述测试时的网络体系结构（“部署”）
• ：此文件非常小，包含用于培训的“元参数”。比如,这个,

由

train_val.prototxt

和

deploy.prototxt

表示的网络体系结构应该大致相似。两者之间没有什么主要区别：

• 输入数据：在培训期间，通常使用预定义的输入集进行培训/验证。因此，

  train\u val

  通常包含一个显式输入层，例如，

  “HDF5Data”

  层或

  “Data”

  层。另一方面，

  deploy

  通常事先不知道将获得什么输入，它只包含一条语句：

  input: "data"
  input_shape {
    dim: 10
    dim: 3
    dim: 227
    dim: 227
  }
  

  它声明了网络需要什么输入以及它的维度应该是什么。
  或者，可以放置一个层：

• 输入标签：在培训期间，我们向网络提供“地面真相”预期输出，在

  部署期间，这些信息显然不可用
  损耗层：在培训期间，必须定义损耗层。该层告诉解算器在每次迭代时应调整参数的方向。这一损失将网络当前的预测与预期的“地面真相”相比较。损失的梯度会传播回网络的其余部分，这就是学习过程的驱动力。在
  部署期间
  没有丢失和反向传播
  

在caffe中，您提供一个

train_val.prototxt

来描述网络、train/val数据集和损失。此外，还提供了一个描述培训元参数的

solver.prototxt

。训练过程的输出是一个包含网络训练参数的

.caffemodel

二进制文件。

---

网络训练完成后，您可以使用

deploy.prototxt

和

.caffemodel

参数来预测新的和看不见的输入的输出。

是的，但是.prototxt文件的类型不同 比如说

这是针对培训和测试网络的

对于命令行训练，ypu可以使用解算器文件，例如.prototxt文件

---

请限制您在每篇文章中只回答一个问题。这太宽了。嗨，马特，我明白了。我删除了问题3，这是最广泛的一个。我留下了两个问题，但它们是高度相关的是/否问题-希望这是可以的。对于您关于使用python接口“解决”的其他问题，您可能会觉得相关。非常感谢Shai，非常好的提示。非常感谢Shai。这是一个令人敬畏的回应。不可能要求更好的解释。

layer {
  name: "input"
  type: "Input"
  top: "data"
  input_param { shape { dim: 10 dim: 3 dim: 227 dim: 227 } }
}