![](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 53
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 * 2pad: 0步长:2输出参数如下:输出:1 * 3 * 2 * 21.1、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 · 320 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 · 186 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 · 247 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 · 201 阅读 · 0 评论