Caffe修炼之路（4）——卷积层和池化层详解

（一）前 言

上一节我们尝试着自定义卷积神经网络，然后对MNIST数据集进行了学习，效果还是很不错的，训练速度也很快，不愧是C++写的框架，我只能说：

这一节来好好说道说道卷积层和池化层的定义，毕竟是基础中的基础

（二）卷积层

首先来看卷积层，如下所示：

layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1
  }
  convolution_param {
    num_output: 20
    kernel_size: 5
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

• name: 卷积层的名字,随便写
• type: 层类型,这写上"Convolution"表示是卷积层
• bottom: 数据输入
• top: 数据输出
• param: 所有层共享的超参数,lr_mult表示该层的学习率为基本学习率乘以这个参数
• convolution_param: 卷积参数层参数
  • num_output: 必填项,为卷积核个数
  • kernel_size: 必填项,为卷积核尺寸
  • stride: 选填项,为步进长度,默认为1
  • pad: 选填项,是否对image进行padding操作,默认为0,即不填充
  • weigt_filter: 选填项,权值初始化方法
  • bias_filter: 选填项,偏执项初始化方法
  • bias_term: 选填项,是否使用偏执项，默认为true

（三）池化层

引入池化层,如下:

layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}

• name: 池化层的名字,随便写
• type: 层类型,这写上"Pooling"表示是池化层
• bottom: 数据输入
• top: 数据输出
• pooling_param: 卷积参数层参数
  • pool: 必填项,为池化方式
  • kernel_size: 必填项,为卷积核尺寸
  • stride: 选填项,为步进长度,默认为1

（三）总 结

Caffe当中基本上定义所有操作都是通过layer字段来完成的，卷积、池化、激活函数、损失函数等等，太多了没法一一列举，其他的需要的可以参照官方的文档进行定义，链接如下：
http://caffe.berkeleyvision.org/tutorial/layers.html