很难理解Caffe MNIST的例子

Question

在此处完成Caffe教程后：http://caffe.berkeleyvision.org/gathered/examples/mnist.html

我对本教程中使用的不同（高效）模型感到困惑，该教程在此处定义：https://github.com/BVLC/caffe/blob/master/examples/mnist/lenet_train_test.prototxt

据我所知，Caffe中的卷积层只是计算每个输入的Wx + b之和，而不应用任何激活函数。如果我们想添加激活函数，我们应该在卷积层的正下方添加另一个层，如Sigmoid，Tanh或Relu层。我在互联网上阅读的任何论文/教程都将激活功能应用于神经元单元。

它给我留下了一个很大的问号，因为我们只能看到模型中的卷积层和池化层交错。我希望有人可以给我一个解释。

作为网站说明，我的另一个疑问是此求解器中的max_iter： https://github.com/BVLC/caffe/blob/master/examples/mnist/lenet_solver.prototxt

我们有60,000张用于训练的图像，10.000张用于测试的图像。那么为什么max_iter只有10.000（并且它仍然可以获得> 99％的准确率）？ Caffe在每次迭代中做了什么？ 实际上，我不确定准确率是否是总的正确预测/测试大小。

我对这个例子感到非常惊讶，因为我还没有找到任何一个例子，这个框架可以在很短的时间内达到这种高准确率（只需5分钟即可获得> 99％的准确率）。因此，我怀疑应该有一些我误解的东西。

感谢。

Answer 1

Caffe使用批处理。 max_iter为10,000，因为batch_size为64。No of epochs = (batch_size x max_iter)/No of train samples。因此epochs的数量接近10.准确度是根据test data计算的。是的，由于数据集不是很复杂，模型的准确性确实> 99％。