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。