【caffe源码研究】第四章：完整案例源码篇(3) ：LeNet初始化测试网络

【caffe源码研究】第四章：完整案例源码篇(3) ：LeNet初始化测试网络

一、 测试网络结构

注：Top Blob Shape格式为：BatchSize，ChannelSize，Height，Width（Total Count）

二、 与训练网络对比

训练网络9层，测试网络12层 
训练网络没有的是：多了label_mnist_1_split、layer ip2_ip2_0_split、accuracy，类型为Split Layer和Accuracy Layer

三、 Split Layer

其功能主要是复制blob，将一个bottom blob复制成多个top blob

四、 Accuracy Layer

Accuracy完成的任务是统计预测正确样本的个数信息。如总样本N个，正确分类n个，正确率为n/N。

主要变量：

• label_axis_为标签对应的轴（对应的blob中的那个维度）
• outer_num_总的来说是样本数量，详细解释见后面
• inner_num_同上，总的来说是样本数量，详细解释见后面
• top_k为取前k个最高评分（的预测标签）

message AccuracyParameter {
...
  // The "label" axis of the prediction blob, whose argmax corresponds to the
  // predicted label -- may be negative to index from the end (e.g., -1 for the
  // last axis).  For example, if axis == 1 and the predictions are
  // (N x C x H x W), the label blob is expected to contain N*H*W ground truth
  // labels with integer values in {0, 1, ..., C-1}.
  optional int32 axis = 2 [default = 1];
}

 

定义中关于axis的说明：

• axis指出在预测blob中，哪一维是label轴，如(N x C x H x W)的blob，axis=0，则N为label对应的维度。axis=1,则C为label对应的维度，而剩下的N为outer样本数量， H x W为inner样本数量。
• 由代码可知，当axis=k时outer_num_=blob.shape[0,..,k)，inner_num_=blob.shape[k+1,..,shape.size)。
• 一般的，label blob的维度为(N x C)，N为样本数量，C为标签数量（即类别个数）。axis=1,outer_num_=N,inner_num_=shape[2,2)=1(即没有inner)

outer_num_ = bottom[0]->count(0, label_axis_);
inner_num_ = bottom[0]->count(label_axis_ + 1);