摘要：一、前向传播 在caffe中，卷积层做卷积的过程被转化成了由卷积核的参数组成的权重矩阵weights(简记为W)和feature map中的元素组成的输入矩阵(简记为Cin)的矩阵乘积W * Cin。在进行乘积之前，需要对卷积核的参数和feature map作处理，以得到W和Cin。 下面用一个例子 阅读全文

摘要：caffe中的网络结构是一层连着一层的，在相邻的两层中，可以认为前一层的输出就是后一层的输入，可以等效成如下的模型 可以认为输出top中的每个元素都是输出bottom中所有元素的函数。如果两个神经元之间没有连接，可以认为相应的权重为０。其实上图的模型只适用于全连接层，其他的如卷积层、池化层，x与y之 阅读全文

摘要：net_->ForwardBackward()方法在net.hpp文件中 首先进入Forward(&loss) net.cpp 接着进入*loss = ForwardFromTo(0, layers_.size() - 1)这句话 net.cpp 再进入Dtype layer_loss = laye 阅读全文

摘要：下面来看Solver<Dtype>::Solve(const char* resume_file) solver.cpp 下面先看Solve中的Restore(resume_file) solver.cpp 上面的RestoreSolverStateFromHDF5(state_filename)和 阅读全文