![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
caffe源码
文章平均质量分 54
有思想的打工人
旨在分享技术文章和生活感想,在分享的同时提高表达能力
展开
-
caffe源码 池化层
1、标题图示池化层(前向传播) 池化层其实和卷积层有点相似,有个类似卷积核的窗口按照固定的步长在移动,每个窗口做一定的操作,按照这个操作的类型可以分为两种池化层: 输入参数如下: 输入: 1 * 3 * 4 * 4 池化核: 2 * 2 pad: 0 步长:2 输出参数如下: 输出:1 * 3 * 2 * 2 1.1、MAX (max pooling)在窗口中取最大值当做结果 1.2、AVG...原创 2018-11-01 08:35:42 · 311 阅读 · 0 评论 -
caffe源码 卷积层
1、通俗易懂理解卷积 图示理解神经网络的卷积 input: 3 * 5 * 5 (c * h * w) pading: 1 步长: 2 卷积核: 2 * 3 * 3 * 3 ( n * c * k * k ) output: 2 * 3 * 3 ( c * h * w ) 如下图所示: 2、深入理解卷积 首先需要理解caffe里面的im2col和col2im 然后 卷积层 其实和 全连接层...原创 2018-11-01 08:54:28 · 183 阅读 · 0 评论 -
caffe源码 全连接层
1、图示全连接层 如上图所示,该全链接层输入n * 4,输出为n * 2,n为batch 该层有两个参数W和B,W为系数,B为偏置项 该层的函数为F(x) = W*x + B,则W为4 * 2的矩阵,B 为 1 * 2 的矩阵 2、从公式理解全连接层 假设第N层为全连接层,输入为Xn,输出为Xn+1,其他与该层无关的信息可以忽略 该层公式有Xn+1 = Fn(Xn) = W * Xn + ...原创 2018-11-01 09:05:32 · 244 阅读 · 0 评论 -
caffe源码 链式法则
1、网络结构 首先我们抽象理解下一个网络结构是怎样的,如下图所示 F1,F2,F3为某种函数 input为输入数据,output为输出数据 X1,X2为为中间的层的输入输出数据 总体来说有以下关系 X1 = F(input) X2 = F1(X1) output = F2(X2) 在训练过程中output其实就是loss层的输出,训练的目的就是为了把loss值降到最低 链式法则 链式法...原创 2018-11-01 09:11:08 · 197 阅读 · 0 评论