caffe源码 卷积层

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)