Caffe是一个深度学习的框架，主要用于神经网络深度学习

Caffe模型

• Layers

  Layer是Caffe模型和计算的基本单元，一系列layer和其他连接的集合组成了Net
  每一个Layer都定义了三种运算

  • setup 在模型初始化时重置layer及其相互的连接
  • forword 从Bottom层中接收Blob数据，进行计算后输出送入到top层中
  • backword 给定相对于top层输出的梯度，计算其相对于输入的梯度，并传递到Bottom层

• Blobs

  Caffe使用Blobs结构來存储,交换,处理网络中的数据和导数信息，Blob是标准的数组结构

• Nets

  Caffe基于自己的模型，通过逐层定义Layer的方式定义整个网络，网络从数据输入层到损失层自下向上的定义整个模型

  • Net::Init() 进行模型的初始化，创建Blobs和Layers，搭建整个无向图，调用layer的Setup函数

前传与后传

• 前传

  Caffe组合每一层的计算以得到整个模型的计算函数

  • Layer::Forward() 实现每一层的前传
  • Net::Forward() 实现网络的前传

• 后传

  Caffe反向组合每一层的梯度來计算整个网络的梯度

  • Layer::Backward() 实现每一层的后传
  • Net::Backward() 实现网络的后传

Loss

学习的目的是找到一个网络权重的集合，使得损失函数最小
损失通过网络的前向计算得到，某些层的输出可以作为损失函数

Solver

Solver通过协调Net的前向推断计算和反向梯度计算来对参数进行更新,从而达到减小loss的目的

赏

谢谢你请我吃糖糖

支付宝

微信