Caffe学习（五）视觉层及其设置

Caffe源码里自带的VisionLayer有三种：

（1）ConvlutionLayer

（2）PoolingLayer

（3）LocalResponseNormalizationLayer

前两种在（四）的实例中有过介绍，这里主要讲述第三种LRN，来源于2012AlexNet的局部归一化层。AlexNet认为，LRN层模仿生物神经系统的侧抑制机制，对局部神经元的活动创建竞争机制，使得响应比较大的值相对更大，提高模型泛化能力。

不过这个层有的说有用，有的说无用，这里就先大致了解一下，具体在系统学习。

不过最新的GoogleNet以及ResNet好像都没有再使用这种Layer了，可能已经被抛弃。。。

LRN的具体做法如下

其中，代表该层的输入数据，表示第i个kernel作用在（x，y）上得到的结果，也即LRN层的输入数据，代表LRN的输出数据

N表示输入的数据层数，也即上一卷积层或池化层Kernel的个数，n表示可调的用于局部归一化的相邻层的个数

可调的超参数有，常设值为2,5,0.0001,0.75

该层的参数设置实例：

layers {  name: "norm1"  type: “LRN”  bottom: "pool1"  top: "norm1"  lrn_param {    local_size: 5    alpha: 0.0001    beta: 0.75  }}

其中local_size表示n，alpha与beta分别表示另外两个参数