caffe中五种层的实现与参数配置（1）------卷积层

卷积层的作用主要是把一些特征做强化，使特征的位置更突出

1.框架理解

输入一个图像A的大小是4*4，经过2*2的卷积B，且步长为1，得到一个（4-2+1）×（4-2+1）=3*3的mapC

每个map是不同卷积核在前一层每个map上进行卷积，并将每个对应位置上的值相加然后再加上一个偏置项。

2.参数理解

layer {
  name: "conv2"            #该层的名字
  type: "Convolution"    #该层的类型，说明该层是卷积层
  bottom: "pool1"         #该层输入数据blob的名字
  top: "conv2"               #该层输出数据blob的名字
 #该层的权值和偏置相关参数
 param {
    lr_mult: 1              #weight的学习率1，和权值更新相关
  }
  param {
    lr_mult: 2             #bias的学习率2，和权值更新相关
  }
  convolution_param {
    num_output: 50   # 50个输出的map
    kernel_size: 5      #卷积核大小为5*5
    stride: 1               #卷积步长为1
    weight_filler {       #权值初始化方式
      type: “xavier"     #默认为“constant",值全为0，很多时候我们也可以用"xavier"或者”gaussian"来进行初始化
    }
    bias_filler {          #偏置值的初始化方式
      type: “constant"#该参数的值和weight_filler类似，一般设置为"constant"，值全为0
    }
  }
}

以下转载：https://www.cnblogs.com/lutingting/p/5240629.html

3. 卷积层相关参数 

接下来，分别对卷积层的相关参数进行说明

（根据卷积层的定义，它的学习参数应该为filter的取值和bias的取值，其他的相关参数都为hyper-paramers，在定义模型时是要给出的）

lr_mult：学习率系数

放置在param{}中

该系数用来控制学习率，在进行训练过程中，该层参数以该系数乘solver.prototxt配置文件中的base_lr的值为学习率

即学习率=lr_mult*base_lr

如果该层在结构配置文件中有两个lr_mult，则第一个表示fitler的权值学习率系数，第二个表示偏执项的学习率系数（一般情况下，偏执项的学习率系数是权值学习率系数的两倍）

convolution_praram：卷积层的其他参数

放置在convoluytion_param{}中

该部分对卷积层的其他参数进行设置，有些参数为必须设置，有些参数为可选（因为可以直接使用默认值）

• 必须设置的参数

1. num_output：该卷积层的filter个数

2. kernel_size：卷积层的filter的大小（直接用该参数时，是filter的长宽相等，2D情况时，也可以设置为不能，此时，利用kernel_h和kernel_w两个参数设定）