背景： 项目中需要在 caffe 中增加 binary convolution layer， 所以在单步调试了 minist 的训练，大致看了一下流程，就详细看 convolution layer 了。 1、数据结构 　　caffe 的基本数据结构是 Blob，也就是数据流的基本结构 ...

1、Convolution层： 就是卷积层，是卷积神经网络（CNN）的核心层。 层类型：Convolution 　　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 ...

对于convolution: output = (input + 2 * p - k) / s + 1; 对于deconvolution: output = (input - 1) * s ...

刚刚接触Tensorflow，由于是做图像处理，因此接触比较多的还是卷及神经网络，其中会涉及到在经过卷积层或者pooling层之后，图像Feature map的大小计算，之前一直以为是与caffe相同的，后来查阅了资料发现并不相同，将计算公式贴在这里，以便查阅： caffe中： TF中 ...

Caffe的卷积原理 Caffe中的卷积计算是将卷积核矩阵和输入图像矩阵变换为两个大的矩阵A与B，然后A与B进行矩阵相乘得到结果C（利用GPU进行矩阵相乘的高效性），三个矩阵的说明如下： （1）在矩阵A中 M为卷积核个数，K=k*k，等于卷积核大小，即第一个矩阵每行为一个 ...

每个卷积核具有长、宽、深三个维度。 卷积核的长、宽都是人为指定的，长X宽也被称为卷积核的尺寸，常用的尺寸为3X3，5X5等；卷积核的深度与当前图像的深度（feather map的张数）相同，所以指定卷积核时，只需指定其长和宽两个参数。 例如，在原始图像层 （输入层），如果图像是灰度图像 ...

在caffe中，网络的结构由prototxt文件中给出，由一些列的Layer（层）组成，常用的层如：数据加载层、卷积操作层、pooling层、非线性变换层、内积运算层、归一化层、损失计算层等；本篇主要介绍pooling层 1. Pooling层总述 下面首先给出pooling层的结构设置的一个 ...

在caffe中，网络的结构由prototxt文件中给出，由一些列的Layer（层）组成，常用的层如：数据加载层、卷积操作层、pooling层、非线性变换层、内积运算层、归一化层、损失计算层等；本篇主要介绍全连接层 该层是对元素进行wise to wise的运算 1. 全连接层总述 下面首先给 ...