卷积计算公式_caffe详解之卷积层

从零开始，一步一步学习caffe的使用，期间贯穿深度学习和调参的相关知识！

卷积层参数说明

layer {  name: "conv1"  type: "Convolution"  bottom: "data"  top: "conv1"  param {    lr_mult: 1  #lr_mult: 学习率的系数，最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。  }  param {    lr_mult: 2  #偏置项的学习率  }  convolution_param {    num_output: 20 #卷积核(filter)的个数    kernel_size: 5 #卷积核的大小    stride: 1 #卷积核的步长，默认为1    pad: 0 #扩充边缘，默认为0，不扩充    group: 2 #默认为0(通达卷积的实现方式)    weight_filler {      type: "xavier" #权值初始化。 默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设置为”gaussian"    }    bias_filler {      type: "constant" #偏置项的初始化。一般设置为"constant",值全为0    }  }}

卷积配置参数意义