下面為網路結構模型

%網路結構模型
name: "LeNet"               #網路的名字"LeNet"
layer {                     #定義一個層
  name: "mnist"             #層的名字"mnist"
  type: "Data"              #層的型別"Data"，表明資料來源於LevelDB或LMDB。另外資料的來源還可能是來自記憶體，HDF5，圖片等
  top: "data"               #top表示輸出，在這裡輸出data
  top: "label"              #這一層共有兩個輸出，這裡輸出label
 

  include {
    phase: TRAIN            #該層只在TRAIN訓練的時候有效
  }
  transform_param {         #資料的預處理
    scale: 0.00390625       #即1/256，將輸入的資料0-255歸一化到0-1之間
  }
  data_param {
    source: "E:/Caffe-windows/caffe-windows/examples/mnist/lmdb/train_lmdb" #資料來源
    batch_size: 64          #每個批次處理64張圖片
    backend: LMDB           #資料格式LMDB
 

  }
}
layer {                     #定義一個層
  name: "mnist"             #層的名字"mnist"
  type: "Data"              #層的型別"Data"，表明資料來源於LevelDB或LMDB
  top: "data"               #輸出dada
  top: "label"              #輸出label
  include {                 
    phase: TEST             #該層只在TEST測試的時候有效
  }                         
  transform_param {
 
         #資料的預處理
    scale: 0.00390625       #1/256，將輸入的資料0-255歸一化到0-1之間
  }
  data_param {
    source: "E:/Caffe-windows/caffe-windows/examples/mnist/lmdb/test_lmdb" #資料來源
    batch_size: 100         #每個批次處理100張圖片
    backend: LMDB           #資料格式LMDB
  }
}
layer {                     #定義一個層
  name: "conv1"             #層的名字"conv1"
  type: "Convolution"       #層的型別"Convolution"
  bottom: "data"            #輸入data
  top: "conv1"              #輸出conv1
  param {                   #這個是權值的學習率
    lr_mult: 1              #學習率係數。最終的學習率是這個學習率係數lr_mult乘以solver.prototxt超引數檔案裡面的base_lr（基本學習率）
  }
  param {                   #這個是偏置的學習率
    lr_mult: 2              #學習率係數。最終的學習率是這個學習率係數lr_mult乘以solver.prototxt裡面的base_lr
  }
  convolution_param {
    num_output: 20          #卷積核的個數為20，或者表示輸出特徵平面的個數為20
    kernel_size: 5          #卷積核的大小5*5。如果卷積核長和寬不等，則需要用kernel_h和kernel_w分別設定
    stride: 1               #步長為1。也可以用stride_h和stride_w來設定
    weight_filler {         #權值初始化
      type: "xavier"        #使用"Xavier"演算法，也可以設定為"gaussian"
    }
    bias_filler {           #偏置初始化
      type: "constant"      #一般設定為"constant",取值為0
    }
  }
}
layer {                     #定義一個層
  name: "pool1"             #層的名字"pool1"
  type: "Pooling"           #層的型別"Pooling"
  bottom: "conv1"           #輸入conv1
  top: "pool1"              #輸出pool1
  pooling_param {           
    pool: MAX               #池化方法。常用的方法有MAX,AVE或STOCHASTIC
    kernel_size: 2          #池化核的大小2*2。如果池化核長和寬不等，則需要用kernel_h和kernel_w分別設定
    stride: 2               #池化的步長。也可以用stride_h和stride_w來設定
  }
}
layer {
  name: "conv2"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  convolution_param {
    num_output: 50          #卷積核的個數為50，或者表示輸出特徵平面的個數為50
    kernel_size: 5
    stride: 1
    weight_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 {                     #定義一個層
  name: "ip1"               #層的名字"ip1"
  type: "InnerProduct"      #層的型別"InnerProduct"，全連線層
  bottom: "pool2"           #輸入pool2
  top: "ip1"                #輸出ip1
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500         #500個神經元
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {                     #定義一個層
  name: "relu1"             #層的名字"relu1"
  type: "ReLU"              #層的型別"ReLU"，啟用函式，可以防止梯度消失和梯度爆炸
  bottom: "ip1"             #輸入ip1
  top: "ip1"                #輸出ip1
}
layer {                     #定義一個層
  name: "ip2"               #層的名字"ip2"
  type: "InnerProduct"      #層的型別"InnerProduct"，全連線層
  bottom: "ip1"             #輸入ip1
  top: "ip2"                #輸出ip2
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10          #10個輸出，代表10個分類
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}
layer {                     #定義一個層
  name: "accuracy"          #層的名字"accuracy"
  type: "Accuracy"          #層的型別"Accuracy"，用來判斷準確率
  bottom: "ip2"             #層的輸入ip2
  bottom: "label"           #層的輸入label
  top: "accuracy"           #層的輸出accuracy
  include {
    phase: TEST             #該層只在TEST測試的時候有效
  }
}
layer {                     #定義一個層
  name: "loss"              #層的名字"loss"
  type: "SoftmaxWithLoss"   #層的型別"SoftmaxWithLoss"，輸出loss值
  bottom: "ip2"             #層的輸入ip2
  bottom: "label"           #層的輸入label
  top: "loss"               #層的輸出loss
}

下面為超引數檔案的程式碼

#網路模型描述檔案
#也可以用train_net和test_net來對訓練模型和測試模型分別設定
#train_net: "xxxxxxxxxx"
#test_net: "xxxxxxxxxx"
net: "E:/Caffe-windows/caffe-windows/examples/mnist/lenet_train_test.prototxt"傳入模型檔案
#這個引數要跟test_layer結合起來考慮，在test_layer中一個batch是100，而總共的測試圖片是10000張
#所以這個引數就是10000/100=100
test_iter: 100
#每訓練500次進行一次測試
test_interval: 500
#基本學習率，最終學習率還需要乘以一個引數
base_lr: 0.01
#動力
momentum: 0.9
#type:SGD #優化演算法的選擇。這一行可以省略，因為預設值就是SGD，Caffe中一共有6中優化演算法可以選擇
#Stochastic Gradient Descent (type: "SGD"), 在Caffe中SGD其實應該是Momentum
#AdaDelta (type: "AdaDelta"),
#Adaptive Gradient (type: "AdaGrad"),
#Adam (type: "Adam"),
#Nesterov’s Accelerated Gradient (type: "Nesterov")
#RMSprop (type: "RMSProp")
#權重衰減項，其實也就是正則化項。作用是防止過擬合
weight_decay: 0.0005
#學習率調整策略
#如果設定為inv,還需要設定一個power, 返回base_lr * (1 + gamma * iter) ^ (- power)，其中iter表示當前的迭代次數
lr_policy: "inv"
gamma: 0.0001
power: 0.75
#每訓練100次螢幕上顯示一次，如果設定為0則不顯示
display: 100
#最大迭代次數
max_iter: 2000
#快照。可以把訓練的model和solver的狀態進行儲存。每迭代5000次儲存一次，如果設定為0則不儲存
snapshot: 5000
snapshot_prefix: "E:/Caffe-windows/caffe-windows/examples/mnist/models"
#選擇執行模式，這裡以CPU進行模型的執行
solver_mode: CPU