Caffe определяет дополнительный уровень данных для классификации [duplicate]

Давайте рассмотрим один из примеров, приведенных в BVLC / caffe: bvlc_reference_caffenet . Вы заметите, что на самом деле есть 3 файла '.prototxt':

• train_val.prototxt : этот файл описывает сетевую архитектуру для фазы обучения.
• depoly.prototxt : этот файл описывает сетевую архитектуру для времени тестирования («развертывание»).
• solver.prototxt : этот файл очень мал и содержит «мета-параметры» для обучения. Например, политика скорости обучения , regulariztion и т. Д.

Сетевая архитектура, представленная train_val.prototxt и deploy.prototxt, должна быть в основном похожи. Существует незначительное различие между двумя:

• Входные данные: во время обучения обычно используется предопределенный набор входов для обучения / проверки. Следовательно, train_val обычно содержит явный входной уровень, например слой "HDF5Data" или "Data". С другой стороны, deploy обычно заранее не знает, какие входные данные он получит, он содержит только оператор:

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

  , который объявляет, что ожидает сеть, и какими должны быть ее измерения. В качестве альтернативы можно поместить слой "Input" :

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

• Входные метки: во время обучения мы предоставляем сети ожидаемые результаты «истины земли», эта информация, очевидно, недоступен во время deploy.
• Уровни потерь: во время обучения необходимо определить уровень потерь. Этот слой сообщает решателю, в каком направлении он должен настраивать параметры на каждой итерации. Эта потеря сравнивает текущее прогнозирование сети с ожидаемой «основной истиной». Градиент потери обратно распространяется на остальную часть сети, и это то, что стимулирует процесс обучения. Во время deploy нет потерь и отсутствия обратного распространения.

В кофе вы снабжаете train_val.prototxt описанием сети, наборами данных поездов / валов и потерей. Кроме того, вы предоставляете solver.prototxt, описывая мета-параметры для обучения. Выход учебного процесса представляет собой двоичный файл .caffemodel, содержащий подготовленные параметры сети. После того как сеть была обучена, вы можете использовать deploy.prototxt с параметрами .caffemodel для прогнозирования выходов для новых и невидимых входов.