caffe中五种层的实现与参数配置（1）------卷积层

最新推荐文章于 2021-03-04 14:06:10 发布

十分耕耘一分收获

最新推荐文章于 2021-03-04 14:06:10 发布

阅读量2.3k

点赞数 2

分类专栏： caffe

本文链接：https://blog.csdn.net/w_q_q2017/article/details/79182160

版权

本文详细介绍了Caffe框架中卷积层的工作原理，包括卷积层如何强化特征、参数理解，特别是学习率系数`lr_mult`和卷积参数`convolution_param`的设置，如`num_output`、`kernel_size`、`stride`和`pad`等。还讨论了权重和偏置项的初始化方法。

摘要由CSDN通过智能技术生成

卷积层的作用主要是把一些特征做强化，使特征的位置更突出

1.框架理解

输入一个图像A的大小是4*4，经过2*2的卷积B，且步长为1，得到一个（4-2+1）×（4-2+1）=3*3的mapC

每个map是不同卷积核在前一层每个map上进行卷积，并将每个对应位置上的值相加然后再加上一个偏置项。

2.参数理解

layer {
  name: "conv2"            #该层的名字
  type: "Convolution"    #该层的类型，说明该层是卷积层
  bottom: "pool1"         #该层输入数据blob的名字
  top: "conv2"               #该层输出数据blob的名字
 #该层的权值和偏置相关参数
 param {
    lr_mult: 1              #weight的学习率1，和权值更新相关
  }
  param {
    lr_mult: 2             #bias的学习率2，和权值更新相关
  }
  convolution_param {
    num_output: 50   # 50个输出的map
    kernel_size: 5      #卷积核大小为5*5
    stride: 1               #卷积步长为1
    weight_filler {       #权值初始化方式
      type: “xavier"     #默认为“constant",值全为0，很多时候我们也可以用"xavier"