caffe中概念笔记

如果input尺寸是3*224*224，下一层是conv1，kernel_size是7，pad是3，stride是2，num_output是64，

则，先把输入加上pad，即输入变为3*（224+3*2）*（224+3*2）=3*230*230，

卷积后的某一边尺寸为：(230-7)/2+1=111+1=112，

所以conv1的输出是64*112*112

关于参数个数计算：按照以上所述的两层，

卷积核个数是64，卷积核大小是7*7，input输入是3通道，

那么每个卷积核对应7*7*3个参数，一个卷积核在一幅图上移动卷积时，参数共享；但是在不同通道的图片上的卷积参数是不一样的，

所以最后可以算出，64个卷积核对应64*7*7*3个参数

关于feature map（特征图）生成：

一个卷积核的输出，是等于这个卷积核在所有通道图片上卷积得到的图相叠加，

比如按照以上所述的两层，conv1的一个卷积核现在3个通道的图片上进行卷积得到3张卷积结果图，

然后把这三张结果图相叠加（可以看成是3张图片对应位置像素值相加），最后得到这个卷积核的feature map（即每个卷积核输出一张feature map），

卷积核个数是64，所以最后输出的是64张大小为112*112的feature map（特征图）

pad: 扩充边缘，默认为0，不扩充。 扩充的时候是左右、上下对称的，如果pad设置为2，则四个边缘都扩充2个像素，即宽度和高度都扩充了4个像素,可以通过pad_h和pad_w来分别设定。pad操作是在卷积操作之前的，即对输入图片先扩充长度，再卷积。

各层使用作用及使用：

参考：http://caffe.berkeleyvision.org/tutorial/layers.html，这是伯克利官方的tutorial

http://www.myexception.cn/other/1828071.html
http://www.cnblogs.com/yinheyi/p/6070213.html

http://blog.csdn.net/linzertling/article/details/44648737

layers {
  name: "concat"
  bottom: "in1"
  bottom: "in2"
  top: "out"
  type: CONCAT
  concat_param {
    concat_dim: 1
  }
}

concat层，用来连接多输入，只输出一个n*c*h*w

可选参数：
concat_dim [default 1]：0代表链接num，1代表链接channels 
通过全连接层后的大小变化：
输入：从1到K的每一个blob的大小n_i * c_i * h * w
输出：
如果concat_dim = 0: (n_1 + n_2 + ... + n_K) *c_1 * h * w，需要保证所有输入的c_i 相同。
如果concat_dim = 1: n_1 * (c_1 + c_2 + ... +c_K) * h * w，需要保证所有输入的n_i 相同。
 
通过Concatenation层，可以把多个的blobs链接成一个blob

layer {
  name: "slicer_label"
  type: "Slice"
  bottom: "label"
  ## Example of label with a shape N x 3 x 1 x 1
  top: "label1"
  top: "label2"
  top: "label3"
  slice_param {
    axis: 1
    slice_point: 1
    slice_point: 2
  }
}
slice层，用来切割一个输入，多输出
slice_point索引是从0开始的，所以以上被切分为：
N*1*1*1,
N*1*1*1,
N*1*1*1,
axis：1表示在channel上切割；0表示在num上切割