在学习了上一节数据层中的参数详解后，本文内容讲主要讲述Caffe网络模型中隐藏层的独有的参数信息(name, type, bottom, top和transform_param是所有层共有参数)。
卷积层是卷积神经网络（CNN）的核心层，但在这之前希望你了解卷积操作。
拓展：在Pytorch中主要是通过nn.Conv2d(input_ch,output_ch,kernelsize,stride,padding)来实现的与Caffe中实现的原理一致。
层类型：Convolution
lr_mult: 学习率的系数，最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。--表示该层的学习率
在后面的convolution_param中，我们可以设定卷积层的特有参数。
必须设置的参数：
num_output: 卷积核（filter)的个数
kernel_size: 卷积核的大小。如果卷积核的长和宽不等，需要用kernel_h和kernel_w分别设定
其它参数：
stride: 卷积核的步长，默认为1。也可以用stride_h和stride_w来设置。
pad: 扩充边缘，默认为0，不扩充。 扩充的时候是左右、上下对称的，比如卷积核的大小为5*5，那么pad设置为2，则四个边缘都扩充2个像素，即宽度和高度都扩充了4个像素,这样卷积运算之后的特征图就不会变小。也可以通过pad_h和pad_w来分别设定。
weight_filler: 权值初始化。 默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设置为”gaussian"
bias_filler: 偏置项的初始化。一般设置为"constant",值全为0。
bias_term: 是否开启偏置项，默认为true, 开启
group: 分组，默认为1组。如果大于1，我们限制卷积的连接操作在一个子集内。如果我们根据图像的通道来分组，那么第i个输出分组只能与第i个输入分组进行连接。
输出层size计算公式
输入：n*c0*w0*h0 [N,C,W,H]输出：n*c1*w1*h1其中，c1就是参数中的num_output，生成的feature_map个数 w1=(w0+2*pad-kernel_size)/stride+1; h1=(h0+2*pad-kernel_size)/stride+1;如果设置stride为1，前后两次卷积部分存在重叠。如果设置pad=(kernel_size-1)/2,则运算后，宽度和高度不变。示例：
layer { name: "conv1" type: "Convolution" bottom: "data" top: "conv1" param { lr_mult: 1 #lr_mult: 学习率的系数，最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。 } param { lr_mult: 2 } convolution_param { num_output: 20 #卷积核（filter)的个数 kernel_size: 5 #卷积核的大小 stride: 1 #卷积核的步长，默认为1 pad: 0 #扩充边缘，默认为0，不扩充 weight_filler { type: "xavier" #权值初始化。 默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设置为”gaussian" } bias_filler { type: "constant" #偏置项的初始化。一般设置为"constant",值全为0 } } }也叫池化层，为了减少运算量和数据维度而设置的一种层。在Pytorch中使用MaxPool2d或者AvgPool2d等方法来实现。
层类型：Pooling
必须设置的参数：
kernel_size: 池化的核大小。也可以用kernel_h和kernel_w分别设定。
其它参数：
pool: 池化方法，默认为MAX。目前可用的方法有MAX, AVE, 或STOCHASTIC
pad: 和卷积层的pad的一样，进行边缘扩充。默认为0
*stride: 池化的步长，默认为1。一般我们设置为2，即不重叠。也可以用stride_h和stride_w来设置。这个参数很重要，决定最终输出size的大小
示例：
layer { name: "pool1" type: "Pooling" bottom: "conv1" top: "pool1" pooling_param { pool: MAX #池化方法，默认为MAX。目前可用的方法有MAX, AVE kernel_size: 3 #池化的核大小 stride: 2 #池化的步长，默认为1。一般我们设置为2，即不重叠。 } } #pooling层的运算方法基本是和卷积层是一样的。 H1/C1=(h0/w0+2*pad-kernel_size)/stride+1;对于激活函数，目前绝大多数论文中都是用的是ReLU，对于sigmoid，tanh等函数使用较少，详细对于可以参考我的这篇文章 f(x)=max(x,0)
layer { name: "relu1" type: "ReLU" bottom: "pool1" top: "pool1" }作用是在不改变数据的情况下，改变输入的维度和pytorch中x.view(x.view(0)[1],-1)用法相似，主要是对数据的维度进行调整。
有一个可选的参数组shape, 用于指定blob数据的各维的值（blob是一个四维的数据:[N,C,W,H]）
dim:0 表示维度不变，即输入和输出是相同的维度。
dim:2 或 dim:3 将原来的维度变成2或3
dim:-1 表示由系统自动计算维度。数据的总量不变，系统会根据blob数据的其它三维来自动计算当前维的维度值 。
假设原数据为：32*3*28*28， 表示32张3通道的28*28的彩色图片 shape { dim: 0 dim: 0 dim: 14 dim: -1 } 输出数据为：32*3*14*56
示例：
layer { name: "reshape" type: "Reshape" bottom: "input" top: "output" reshape_param { shape { dim: 0 # copy the dimension from below dim: 2 dim: 3 dim: -1 # infer it from the other dimensions } } }Dropout是一个防止过拟合的层，只需要设置一个dropout_ratio就可以了。
Dropout说的简单一点就是：我们在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征，如图1所示。
图1：使用Dropout的神经网络模型 2. Dropout工作流程及使用
2.1 Dropout具体工作流程
假设我们要训练这样一个神经网络，如图2所示。
图2：标准的神经网络
输入是x输出是y，正常的流程是：我们首先把x通过网络前向传播，然后把误差反向传播以决定如何更新参数让网络进行学习。使用Dropout之后，过程变成如下：
（1）首先随机（临时）删掉网络中一半的隐藏神经元，输入输出神经元保持不变（图3中虚线为部分临时被删除的神经元）
图3：部分临时被删除的神经元
（2） 然后把输入x通过修改后的网络前向传播，然后把得到的损失结果通过修改的网络反向传播。一小批训练样本执行完这个过程后，在没有被删除的神经元上按照随机梯度下降法更新对应的参数（w，b）。
（3）然后继续重复这一过程：
恢复被删掉的神经元（此时被删除的神经元保持原样，而没有被删除的神经元已经有所更新） 从隐藏层神经元中随机选择一个一半大小的子集临时删除掉（备份被删除神经元的参数）。 对一小批训练样本，先前向传播然后反向传播损失并根据随机梯度下降法更新参数（w，b） （没有被删除的那一部分参数得到更新，删除的神经元参数保持被删除前的结果）。 不断重复这一过程。 示例：
layer { name: "drop7" type: "Dropout" bottom: "fc7-conv" top: "fc7-conv" dropout_param { dropout_ratio: 0.5 } }经过上一层的reshape操作一般会得到一个C*W*H 的一维向量，之后进行全连接，在Pytorch中使用nn.Linker进行实现，Caffe中实现方法如下。
#全连接层，输出的是一个简单向量 参数跟卷积层一样 layer { name: "ip1" type: "InnerProduct" bottom: "pool2" top: "ip1" param { lr_mult: 1 } param { lr_mult: 2 } inner_product_param { num_output: 500 weight_filler { type: "xavier" } bias_filler { type: "constant" } } } #测试的时候输入准确率 layer { name: "accuracy" type: "Accuracy" bottom: "ip2" bottom: "label" top: "accuracy" include { phase: TEST } }之后用softmax输出各个label的confidence，softmax和softmax-loss的区别
softmax计算公式：
而softmax-loss计算公式：
#softmax-loss layer：输出loss值 layer { name: "loss" type: "SoftmaxWithLoss" bottom: "ip1" bottom: "label" top: "loss" } #softmax layer: 输出似然值 layers { bottom: "cls3_fc" top: "prob" name: "prob" type: “Softmax" }网络输出的结果，通过prob获取模型的最后输出，并进行后续的分类以及检测操作。
