forward

template<>void caffe_cpu_gemm<float>(const CBLAS_TRANSPOSE TransA,    const CBLAS_TRANSPOSE TransB, const int M, const int N, const int K,    const float alpha, const float* A, const float* B, const floatbeta,    float* C) {  int lda = (TransA == CblasNoTrans) ? K : M;  int ldb = (TransB == CblasNoTrans) ? N : K;  cblas_sgemm(CblasRowMajor, TransA, TransB, M, N, K, alpha, A, lda, B,      ldb, beta, C, N);} 功能： C=alpha*A*B+beta*C  A,B,C 是输入矩阵（一维数组格式）  CblasRowMajor :数据是行主序的（二维数据也是用一维数组储存的）  TransA, TransB：是否要对A和B做转置操作（CblasTrans CblasNoTrans）  M： A、C 的行数  N： B、C 的列数  K： A 的列数， B 的行数  lda ： A的列数（不做转置）行数（做转置）  ldb： B的列数（不做转置）行数（做转置）

1. template <typename Dtype>  
2. void BaseConvolutionLayer<Dtype>::forward_cpu_gemm(const Dtype* input,  
3.     const Dtype* weights, Dtype* output, bool skip_im2col) {  
4.   const Dtype* col_buff = input;  
5.   if (!is_1x1_) {  
6.     if (!skip_im2col) {  
7.       // 如果没有1x1卷积，也没有skip_im2col    
8.       // 则使用conv_im2col_cpu对使用卷积核滑动过程中的每一个kernel大小的图像块    
9.       // 变成一个列向量，形成一个height=kernel_dim_的    
10.       // width = 卷积后图像heght*卷积后图像width   
11.       conv_im2col_cpu(input, col_buffer_.mutable_cpu_data());  
12.     }  
13.     col_buff = col_buffer_.cpu_data();  
14.   }  
15.   // 使用caffe的cpu_gemm来进行计算  
16.   for (int g = 0; g < group_; ++g) {  
17.       // conv_out_channels_ / group_是每个卷积组的输出的channel    
18.       // kernel_dim_ = input channels per-group x kernel height x kernel width    
19.       // 计算的是output[output_offset_ * g] =    
20.       // weights[weight_offset_ * g] X col_buff[col_offset_ * g]  
21.       // weights的维度为(conv_out_channels_ /group_) x kernel_dim_   
22.       // weights的形状是 [conv_out_channel x kernel_dim_]    
23.       // col_buff相当于数据，它的形状是[kernel_dim_ x (卷积后图像高度乘以卷积后图像宽度)]=  
24.       //    kernel_dim_ x conv_out_spatial_dim_    
25.       // 所以output的形状自然就是conv_out_channel X (卷积后图像高度乘以卷积后图像宽度)=  
26.       //       (conv_out_channels_ /group_) x conv_out_spatial_dim_  
27.     caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, conv_out_channels_ /  
28.         group_, conv_out_spatial_dim_, kernel_dim_,  
29.         (Dtype)1., weights + weight_offset_ * g, col_buff + col_offset_ * g,  
30.         (Dtype)0., output + output_offset_ * g);  
31.   }  
32. }//只是对一张图像进行前向传播！与全连接层类比，conv_out_channels_ / group_相当与全连接层的输出神经元个数;conv_out_spatial_dim_相当于全连接层中的样本个数;kernel_dim_相当与全连接层中每个样本特征向量的维数。  

template <typename Dtype>
void BaseConvolutionLayer<Dtype>::backward_cpu_gemm(const Dtype* output,
    const Dtype* weights, Dtype* input) {
  Dtype* col_buff = col_buffer_.mutable_cpu_data();
  if (is_1x1_) {
    col_buff = input;
  }
  for (int g = 0; g < group_; ++g) {
    caffe_cpu_gemm<Dtype>(CblasTrans, CblasNoTrans, kernel_dim_,
        conv_out_spatial_dim_, conv_out_channels_ / group_,
        (Dtype)1., weights + weight_offset_ * g, output + output_offset_ * g,
        (Dtype)0., col_buff + col_offset_ * g);
  }
  if (!is_1x1_) {
    conv_col2im_cpu(col_buff, input);
  }
}