caffe源码 卷积层
来源:互联网 发布:node v4.6.0 x64.msi 编辑:程序博客网 时间:2024/05/18 00:42
通俗易懂理解卷积
- 图示理解神经网络的卷积
- input: 3 * 5 * 5 (c * h * w)
- pading: 1
- 步长: 2
- 卷积核: 2 * 3 * 3 * 3 ( n * c * k * k )
- output: 2 * 3 * 3 ( c * h * w )
如下图所示:
深入理解卷积
- 首先需要理解caffe里面的im2col和col2im
- 然后 卷积层 其实和 全连接层 差不多了
理解im2col
- 图示理解im2col
- input: 3 * 4 * 4 ( c * h * w )
- 卷积核: 3 * 3 * 3 ( c * h * w )
- output: ( 3 * 3 * ) * ( 2 * 2 ) ( h * w )
如下图所示:
卷积层的实现
im2col转换前
- input: 1 * c * h * w
- 卷积核: m * c * k * k
- m 个卷积核
- 步长: stride
- 填充: pad
- 扩展: dilation
- output: 1 * m * H * W
- H = ( h + 2 * pad - dilation * ( k - 1 ) ) / stride + 1
- W = ( w + 2 * pad - dilation * ( k - 1 ) ) / stride + 1
im2col转换后
input: 1 * ( c * k * k ) * ( H * W )
weight: m * (c * k * k)
bias: m * 1
output: 1 * m * H * W
则公式(即前向传播)为:output = input * weight + bias * 全1矩阵 ( 1 * H * W )
反向传播和全连接层一样(详细参考全连接层的推导):
- 梯度传递:bottom_diff = top_diff * weight
- 对w求导:weight_diff = top_diff * bottom + weight_diff(累积梯度)
- 对b求导:bias_diff = top_diff + bias_diff(累积梯度)
阅读全文
0 0
- caffe源码 卷积层
- Caffe源码学习系列二----卷积层
- Caffe源码阅读(2) 卷积层
- Caffe源码阅读(2) 卷积层
- caffe源码 之 卷积层实现
- caffe源码学习(3)--卷积层
- caffe反卷积层
- Caffe框架源码剖析(5)—卷积层ConvolutionLayer
- CAFFE源码学习笔记之十一-卷积层conv_layer
- Caffe框架源码剖析(5)—卷积层ConvolutionLayer
- caffe源码深入学习5:超级详细的caffe卷积层代码解析
- caffe 卷积层的理解
- caffe卷积层代码阅读笔记
- caffe卷积层代码阅读笔记
- caffe之(一)卷积层
- 【深度学习】caffe之卷积层
- Caffe中卷积层的实现
- caffe中卷积层的实现
- SpringBoot学习(四)——WEB开发
- linux操作系统
- Hive DDL & 内部表与外部表
- caffe源码 链式法则
- caffe源码 全连接层
- caffe源码 卷积层
- hdu5877 Weak Pair(离散化+线段树+dfs)
- 上帝是个程序猿
- 如何将电脑的无线网通过有线分享给其他设备
- Dos帮助文档
- C++PRIMER第5版第二章自做
- PostgreSQL入门(一)数据库概述
- PostgreSQL入门(二)PostgreSQL数据库,数据表
- PostgreSQL入门(三)PostgreSQL数据类型&运算符