caffe基础-02卷积层的配置

layer {  name: "conv1"  type: "Convolution" #卷积层  bottom: "data"  top: "conv1"  param {   #最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。    lr_mult: 1  #lr_mult: w学习率的系数，  }   param {#如果有两个lr_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。    lr_mult: 2  #b学习率  }  convolution_param {    num_output: 20 #卷积核（filter)的个数    kernel_size: 5 #卷积核的大小 5*5*depth(前一层(data~3/convolution~20)的深度)    stride: 1 #卷积核的步长，默认为1     pad: 0 #扩充边缘(边缘像素更多被卷到)，默认为0，表示不扩充    weight_filler {      type: "xavier" #权值初始化。 默认为“constant",值全为0，很多时候我们用"xavier"算法来进行初始化，也可以设置为”gaussian"    }    bias_filler {      type: "constant" #偏置项的初始化。一般设置为"constant",b值全初始化为0    }  }}#输入：n*c0*w0*h0#输出：n*c1*w1*h1#其中，c1就是参数中的num_output，生成的特征图个数#w1=(w0+2*pad-kernel_size)/stride+1;#h1=(h0+2*pad-kernel_size)/stride+1;