到目前爲止，我們訓好了模型，測試了模型，也知道如何看學習曲線，那麼就很好奇，通過怎麼個流程，能讓一幅圖片轉換成了一個結果（數字），接下來將一探究竟。
首先，需要明確的是我們訓練集是60000張32*32的圖片，測試集是10000張32*32的圖片。
第一層 卷積層（C1）
輸入：1*32*32
卷積核大小：5*5
feature map個數：20
輸出的feature map大小：28*28（32-5+1）
輸出：20*28*28
相應的配置文件代碼：
layer {
name: "conv1" //卷積神經網絡的第一層，卷積層
type: "Convolution" //這層操作爲卷積
bottom: "data" //層的輸入爲data
top: "conv1" //層的輸出爲conv1
param {
lr_mult: 1 //權值學習速率倍乘因子，1倍表示保持與全局參數一致
}
param {
lr_mult: 2 //bias學習倍率倍乘因子，是全局參數的2倍
}
convolution_param {
num_output: 20 //輸出特徵圖個數
kernel_size: 5 //卷積核大小
stride: 1 //卷積輸出跳躍間隔，1表示連續輸出
weight_filler { //權值使用xavier填充器
type: "xavier"
}
bias_filler { //bias使用常數填充器，默認爲0
type: "constant"
}
}
}
第二層 下采樣層（S2）
輸入：20*28*28
採樣區域：2*2
feature map個數：20
輸出的feature map大小：14*14（28/2）
輸出：20*14*14
相應的配置文件代碼：
layer {
name: "pool1"
type: "Pooling" //池化層，這一層的操作爲池化
bottom: "conv1" //層的輸入爲conv1
top: "pool1" //層的輸出爲pool1
pooling_param {
pool: MAX //最大池化
kernel_size: 2 //下采樣窗口尺寸2*2
stride: 2 //下采樣輸出跳躍間隔2*2
}
}第三層 卷積層（C3）
輸入：20*14*14
卷積核大小：5*5
feature map個數：50
輸出的feature map大小：10*10（14-5+1）
輸出：50*10*10
相應的配置文件代碼：
layer { //新的卷積層，和conv1類似
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: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}第四層 下采樣層（S4）
輸入：50*10*10
採樣區域：2*2
feature map個數：50
輸出的feature map大小：5*5（10/2）
輸出：50*5*5
相應的配置文件代碼：
layer { //新的下采樣層，和pool1類似
name: "pool2"
type: "Pooling"
bottom: "conv2"
top: "pool2"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}第五層 全連接層（F5）
輸入：50*5*5
feature map個數：500
輸出的feature map大小：1*1
輸出：500*1*1
相應的配置文件代碼：
layer { //新的全連接層
name: "ip1"
type: "InnerProduct"
bottom: "pool2" //輸入爲pool2
top: "ip1" //輸出爲ip1
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 500
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
第六層 RELU層（R6）
輸入：500*1*1
feature map個數：500
輸出的feature map大小：1*1
輸出：500*1*1
相應的配置文件代碼：
layer { //新的非線性層，用ReLU方法
name: "relu1"
type: "ReLU"
bottom: "ip1"
top: "ip1"
}第七層 全連接層（F7）
輸入：500*1*1
feature map個數：10
輸出的feature map大小：1*1
輸出：10*1*1
注意：這層輸出是一個10行1列的數字，表示0-9的概率
相應的配置文件代碼：
layer {
name: "ip2"
type: "InnerProduct"
bottom: "ip1"
top: "ip2"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 10
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}