caffe卷积原理

原理说明

caffe中的卷积计算是将卷积核矩阵和输入图像矩阵变换成两个大的矩阵，然后进行相乘得到的结果，如下图所示。

具体参数如下：

Feature Matrix

Feature Matrix的大小为$K×N$，各项参数如下：

• $N=((image_h+2×pad_h-hernel_h)/stride_h+1)×(image_w+2×pad_w-kernel_e)/stride_w+1)$
• $image_h$：输入图像高度，即$N\times C\times W\times H$中的$H$
• $image_w$：输入图像宽度，即$N\times C\times W\times H$中的$W$
• $pad_h$：在输入图像的高度方向两边各增加$pad_h$个单位长度
• • $pad_w$：在输入图像的宽度方向两边各增加$pad_w$个单位长度
  • $kernel_h$：卷积核的高度
  • $kernel_w$：卷积核的宽度
  • $stride_h$：高度方向的滑动步长
  • $stride_w$：宽度方向的滑动步长

因此，$N$为输出图像大小的长宽乘积，也是卷积核在输入图像上滑动可截取的最大特征数。

Filter Matrix

Filter Matrix的大小为$M\times K$，其中$M$是卷积核的个数，$K=k\times k$，等于卷积核的大小，即Filter Matrix矩阵每行为一个卷积核向量（是将二维的卷积核转化成一维），总共有$M$行，表示有$M$个卷积核。

Output Matrix

Output Matrix是Filter Matrix和Feature Matrix的乘积，是一个$M\times N$的矩阵，其中每一行代表一个输出图像即feature map，总共有 M <script type="math/tex" id="MathJax-Element-3312">M</script>个输出图像（输出图像数目等于卷积核数目）

caffe卷积原理图

参考文献

caffe的卷积原理
知乎上贾扬清大神的回答