如何实现在prototxt 中实现多通道呢？

补充一下：Slice层的使用，把数据分成了两部分

本内容作者仅授权给CaffeCN社区（caffecn.cn）使用，如需转载请附上内容来源说明。

可以看一下siamese network的实现，



输入是两张图像，分别进入两个网络，所以在prototxt中，

////////////////////////////第一个通路

layer {

  name: "conv1"

  type: "Convolution"

  bottom: "data"

  top: "conv1"

  param {

    lr_mult: 1

  }

  param {

    lr_mult: 2

  }

  convolution_param {

    num_output: 20

    kernel_size: 5

    stride: 1

  }

}





......





layer {

  name: "feat"

  type: "InnerProduct"

  bottom: "ip2"

  top: "feat"

  param {

    name: "feat_w"

    lr_mult: 1

  }

  param {

    name: "feat_b"

    lr_mult: 2

  }

  inner_product_param {

    num_output: 2

    weight_filler {

      type: "xavier"

    }

    bias_filler {

      type: "constant"

    }

  }

}



//////////////////////////////// 第二个通路

layer {

  name: "conv1_p"

  type: "Convolution"

  bottom: "data_p"

  top: "conv1_p"

  param {

    name: "conv1_w"

    lr_mult: 1

    decay_mult: 1

  }

  param {

    name: "conv1_b"

    lr_mult: 2

    decay_mult: 0

  }

  convolution_param {

    num_output: 96

    kernel_size: 11

    stride: 4

    weight_filler {

      type: "gaussian"

      std: 0.01

    }

    bias_filler {

      type: "constant"

      value: 0

    }

  }

}



........



layer {

  name: "feat_p"

  type: "InnerProduct"

  bottom: "ip2_p"

  top: "feat_p"

  param {

    name: "feat_w"

    lr_mult: 1

  }

  param {

    name: "feat_b"

    lr_mult: 2

  }

  inner_product_param {

    num_output: 2

    weight_filler {

      type: "xavier"

    }

    bias_filler {

      type: "constant"

    }

  }

}



/////////////////////////// 两个通路得到的feature做contrast

layer {

  name: "loss"

  type: "ContrastiveLoss"

  bottom: "feat"

  bottom: "feat_p"

  bottom: "sim"

  top: "loss"

  contrastive_loss_param {

    margin: 1

  }

}

官方的siamese结构太臃肿，可以参考一下我写的deepid2网络，输入2个data layer，然后用concat layer合并，输入同一个网络中，最后再用slice layer将特征分开，输入contrastive loss layer。
 
https://github.com/happynear/F ... totxt