caffe原始碼 卷積層

input： 3 * 5 * 5 (c * h * w)

pading： 1
步長： 2
卷積核： 2 * 3 * 3 * 3 ( n * c * k * k )
output： 2 * 3 * 3 ( c * h * w )

首先需要理解caffe裡面的im2col和col2im

然後 卷積層 其實和 全連線層 差不多了

input： 3 * 4 * 4  ( c * h * w )

卷積核： 1 * 3 * 3 * 3 ( n * c * h * w 只考慮乙個卷積核的情況 )
output：1* ( 3 * 3 * 3 ) * ( 2 * 2 ) ( n * h * w )

卷積核： m * c * k * k

m 個卷積核

步長： stride

填充： pad

擴充套件： dilation

output： 1 * m * h * w

h = ( h + 2 * pad - dilation * ( k - 1 ) ) / stride + 1

w = ( w + 2 * pad - dilation * ( k - 1 ) ) / stride + 1

input： 1 * ( c * k * k ) * ( h * w )

weight： m * (c * k * k)
bias： m * 1
output： 1 * m * h * w

caffe原始碼 之 Relu層

本文主要實現caffe框架中 src caffe layers relu layer.cpp檔案，該檔案實現的是啟用函式relu。relu是近些年非常流行的啟用函式。相比於sigmoid與tanh，它具有一定的優越性，這三者對比可見它的函式公式是f x max 0,x 換句話說，這個啟用函式就是乙個...

Roi Pooling層caffe原始碼解讀

在看fasterrcnn以及和maskrcnn的時候，發現自己對fasterrcnn的roi pooling層的原理還是不是很明白，之前只是知道roi pooling是將rpn輸出的乙個roi的區域對映成乙個固定大小的map，再送入後面的分類層進行分類。最近看了下roi pooling層的原始碼，頓...

Caffe之Scale層原始碼

最近要對模型進行壓縮使用slimming，因此需要scale層對scale diff進行l1正則。所以對原始碼進行了閱讀。公式 y ax b。公式比較簡單。上述公式的意思是，對feature map乘以a，並加b。乙個feature map共用乙個a，因此 a的維度是 c 這是理解原始碼的前提。反向...