摘要：
参考：http://www.cnblogs.com/denny402/p/5073427.html 阅读全文
摘要：
主要包括softmax-loss层（与softmax有区别），全连接层（Inner Prouduct）,accuracy层，reshape层， Dropout层。 softmax: accuracy reshape Dropout层 参考：http://www.cnblogs.com/denny40 阅读全文
摘要：
参考：http://www.cnblogs.com/denny402/p/5072507.html 主要介绍了各个激活函数。 阅读全文
摘要：
视觉层包括Convolution, Pooling, Local Response Normalization (LRN), im2col等层。 这里介绍下conv层。 输入：n*c0*w0*h0 输出：n*c1*w1*h1 其中，c1就是参数中的num_output，生成的特征图个数 w1=(w0 阅读全文
摘要：
一个模型由多个层构成，如Data,conv,pool等。其中数据层是模型的最底层，是模型的入口。 提供数据的输入，也提供数据从Blobs转换成别的格式进行保存输出还包括数据的预处理（如减去 均值, 放大缩小, 裁剪和镜像等）。数据源来自高效的数据库（如LevelDB和LMDB），或者hdf5 文件和 阅读全文
摘要：
参考：http://www.cnblogs.com/denny402/p/5083300.html 上述主要介绍的是从自己的原始图片转为lmdb数据，再到训练、测试的整个流程（另外可参考薛开宇的笔记）。 用的是自带的caffenet(看了下结构，典型的CNN)，因为没有GPU，整个过程实在是太慢了， 阅读全文
摘要：
参考：http://www.cnblogs.com/denny402/p/5082341.html 上述博文用caffe自带的两张图片为例，将图片转为db格式。博主对命令参数进行了详细的解释，很赞。 遇到的问题是，因为对linux命令不熟，不知为啥创建.sh文件不成功，于是将其他文件下的.sh文件拷 阅读全文
摘要：
参考：http://blog.csdn.net/zouxy09/article/details/24971995/ http://blog.csdn.net/zouxy09/article/details/24972869 L0范数：向量中非0元素的个数，以L0范数正则化是希望更多的W为0。 L1范 阅读全文