前言：

通过检索论文、书籍、博客，继续学习Caffe，千里之行始于足下，继续努力。将自己学到的一些东西记录下来，方便日后的整理。

 

正文：

1、代码结构梳理

在终端下运行如下命令，可以查看caffe代码结构，我将其梳理了一下：

root@ygh:/home/ygh/caffe# tree -d
.
├── build -> .build_release  //编译结果存放处，子目录结构与主目录类似
├── cmake                    //使用CMake编译时会用到
│   ├── External
│   ├── Modules
│   └── Templates
├── data                   //用于存放原始数据及数据获取的脚本sh文件
│   ├── cifar10
│   ├── ilsvrc12
│   └── mnist
├── distribute             //编译后生成发布包的位置，用于迁移
│   ├── bin
│   └── lib
├── docker                 //同样为了便于迁移，使用了Docker工具
│   ├── cpu
│   └── gpu
├── docs                   //doxygen工程文件放在这里，可生成Caffe ref_man.pdf
│   ├── images
│   ├── _layouts
│   ├── stylesheets
│   └── tutorial
│       ├── fig
│       └── layers
├── examples               //存放Caffe简单例程
│   ├── cifar10                      //CIFAR10例程
│   ├── cpp_classification           //图像分类例程
│   ├── feature_extraction           //特征提取例程
│   ├── finetune_flickr_style        //finetune例程
│   ├── finetune_pascal_detection    //finetune例程
│   ├── hdf5_classification          //使用HDF5数据源的分类例程
│   ├── imagenet           //ImageNet例程，使用bvlc_reference_caffenet模型
│   ├── images
│   ├── mnist             //MNIST手写数字识别例程   
│   │   ├── mnist_test_lmdb
│   │   └── mnist_train_lmdb
│   ├── net_surgery
│   ├── pycaffe
│   │   └── layers
│   ├── siamese
│   └── web_demo         //一个Web Server + 分类例程
│       └── templates
├── include               //Caffe头文件集中存放此目录
│   └── caffe
│       ├── layers
│       ├── test
│       └── util
├── Install-OpenCV
│   ├── ArchLinux
│   ├── RedHat
│   └── Ubuntu
│       ├── 2.3
│       └── 2.4
├── matlab              //适用于Matlab做Wrapper，具体可以参考RCNN源码
│   ├── +caffe
│   │   ├── imagenet
│   │   ├── private
│   │   └── +test
│   ├── demo
│   └── hdf5creation
├── models              //存放示例模型
│   ├── bvlc_alexnet          //经典的AlexNet
│   ├── bvlc_googlenet        //GoogLeNet
│   ├── bvlc_reference_caffenet  //Caffe模型的AlexNet
│   ├── bvlc_reference_rcnn_ilsvrc13   //RCNN模型  https:github.com/rbgirshick/rcnn
│   └── finetune_flickr_style
├── python             //用于python Wrapper
│   └── caffe
│       ├── imagenet
│       ├── proto
│       └── test
├── scripts            //存放脚本
│   └── travis
├── src                //Caffe源码
│   ├── caffe
│   │   ├── layers       //各个层的具体实现
│   │   ├── proto        //proto描述文件，学习数据结构先从这里开始
│   │   ├── solvers
│   │   ├── test
│   │   │   └── test_data
│   │   └── util
│   └── gtest
└── tools                    //常用工具源码
    └── extra

 

2、相关知识点

训练网络时，需要由数据读取层（DataLayer）不断地从LMDB读取数据，送入后续卷积、下采样等计算层。
数据读取层声明位于 include/caffe/data_layer.hpp中
数据变换器（DataTransformer）主要提供了对原始输入图像的预处理方法，包括随机切块、随机镜像、幅度缩放、去均值、灰度/色度变换等。声明头文件位于 include/Caffe/data_transformer.hpp中

求解器实现:
Caffe中的求解器有以下几种：
1、随机梯度下降法（Stochastic Gradient Descent，SGD），最常用
2、AdaDelta
3、自适应梯度法（Adaptive Gradient，ADAGRAD）
4、Adam
5、Nesterov加速梯度法（Nesterov's Accelerated Gradient,NAG）
6、RMSprop

solver.prototxt中格式
base_lr:0.01          //基准学习速率为0.01，另外每个Layer会在基准上进行细调
lr_policy:"step"      //学习速率衰减策略，step为步进方式，即每进行step次迭代，学习速率更新一次
gamma:0.1            //学习速率衰减常数，每次更新学习速率都是乘上这个固定常数
stepsize:100000      //每10万次迭代，对学习速率进行一次更新
max_iter:350000    //训练总共需要35万次迭代
momentum:0.9      //遗忘因子为0.9