随笔分类 -  caffe源码

摘要：图示池化层（前向传播） 池化层其实和卷积层有点相似，有个类似卷积核的窗口按照固定的步长在移动，每个窗口做一定的操作，按照这个操作的类型可以分为两种池化层： MAC （max pooling）在窗口中取最大值当做结果 AVG （average pooling）在窗口中取平均值当做结果 池化层的反向传播 阅读全文

摘要：网络结构 首先我们抽象理解下一个网络结构是怎样的，如下图所示 F1,F2,F3为某种函数 input为输入数据，output为输出数据 X1，X2为为中间的层的输入输出数据 总体来说有以下关系 X1 = F（input） X2 = F1（X1） output = F2（X2） 在训练过程中outpu 阅读全文

摘要：图示全连接层 如上图所示，该全链接层输入n * 4，输出为n * 2，n为batch 该层有两个参数W和B，W为系数，B为偏置项 该层的函数为F(x) = W*x + B，则W为4 * 2的矩阵，B 为 1 * 2 的矩阵 从公式理解全连接层 假设第N层为全连接层，输入为Xn，输出为Xn+1，其他与 阅读全文

摘要：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 ) input： 3 * 5 * 阅读全文