caffe细节

1.关于卷积

相关链接：https://github.com/Yangqing/caffe/wiki/Convolution-in-Caffe:-a-memo

for w in 1..W
  for h in 1..H
    for x in 1..K
      for y in 1..K
        for m in 1..M//每套卷积进行遍历（一套卷积遍历完所有的输入通道）
          for d in 1..D//输入的通道先进行遍历
            output(w, h, m) += input(w+x, h+y, d) * filter(m, x, y, d)
          end
        end
      end
    end
 

我的理解：假设输入图像为W×H × D，卷积核为K×K×M，则输出为W×H×M（当然此处假设为same卷积），其实实际的参数量为：K×K×D×M，可以这么理解，一共有M套卷积，每套卷积需要D种卷积核，意思是，每个卷积核处理不同的通道。想想好恐怖。

这个结论在《21天学caffe》的88页进行验证。

对于上述的卷积，实际的参数量：W×H×K×K×D×M。