之前用deploy.prototxt 还原train_val.prototxt过程中，遇到了坑，所以打算总结一下

本人以熟悉的LeNet网络结构为例子

不同点主要在一前一后，相同点都在中间

train_val.prototxt 中的开头

看这个名字也知道，里面定义的是训练和验证时候的网络，所以在开始的时候要定义训练集和验证集的来源

name: "LeNet"
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"include {
    phase: TRAIN}transform_param {
    scale: 0.00390625}data_param {# 这里定义了之前将数据集转成lmdb数据格式的文件位置
    source: "examples/mnist/mnist_train_lmdb"# 这个定义了一次行送入网络的图像个数
    batch_size: 64
    backend: LMDB}
}
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"include {
    phase: TEST}transform_param {
    scale: 0.00390625}data_param {# 这里定义了验证集的数据来源
    source: "examples/mnist/mnist_test_lmdb"
    batch_size: 100
    backend: LMDB}
}

deploy.prototxt 中的开头

看这个名字也知道，这个配置文件适用于部署，也就是用于实际场景时候的配置文件，所以开始的时候不必在定义数据集的来源，但是需要定义输入数据的大小格式。

name: "LeNet"
layer {
  name: "data"
  type: "Input"
  top: "data"# 输入数据的batch size, channel, width, heightinput_param { shape: { dim: 64 dim: 1 dim: 28 dim: 28 } }
}

train_val.prototxt 中的结尾

如果是一般的卷积网络的话，最后面都是用一个全连接，将feature map 转成固定长度的向量，然后输出种类的个数。所以在最后的时候，需要说明输出种类的个数。

layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"param {
    lr_mult: 1}param {
    lr_mult: 2}inner_product_param {# 在这里定义了输出种类的个数
    num_output: 10weight_filler {
      type: "xavier"}bias_filler {
      type: "constant"}}
}

因为这里面包含了验证的部分，验证的时候，需要输出结果的准确率，所以需要定义准确率的输出。

layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"include {
    phase: TEST}
}

最后还有一个不同就是，因为是训练模型，所以包括forward和backward，所以最后需要定义一个损失函数。这里用的是SoftmaxWithLoss，而在deploy.prototxt，因为只有forward，所以定义的是Softmax，也就是分类器。

layer {
  name: "loss"# 定义的是损失函数
  type: "SoftmaxWithLoss"
  bottom: "ip2"
  bottom: "label"
  top: "loss"
}

deploy.prototxt 中的最后

这里定义了Softmax分类器，输出最后各类的概率值。

layer {
  name: "prob"# 定义的是分类器
  type: "Softmax"
  bottom: "ip2"
  top: "prob"
}

train_val.prototxt 和 deploy.prototxt中间部分

两个的中间部分都是一样的，定义了一些卷积、激活、池化、Dropout、LRN(local response normalization)、全连接等操作。

layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"param {
    lr_mult: 1}param {
    lr_mult: 2}convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1weight_filler {
      type: "xavier"}bias_filler {
      type: "constant"}}
}
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2}
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"param {
    lr_mult: 1}param {
    lr_mult: 2}convolution_param {
    num_output: 50
    kernel_size: 5
    stride: 1weight_filler {
      type: "xavier"}bias_filler {
      type: "constant"}}
}
layer {
  name: "pool2"
  type: "Pooling"
  bottom: "conv2"
  top: "pool2"pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2}
}
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"param {
    lr_mult: 1}param {
    lr_mult: 2}inner_product_param {
    num_output: 500weight_filler {
      type: "xavier"}bias_filler {
      type: "constant"}}
}
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"param {
    lr_mult: 1}param {
    lr_mult: 2}inner_product_param {
    num_output: 10weight_filler {
      type: "xavier"}bias_filler {
      type: "constant"}}
}