我的caffe学习之路<第八天>

        今天本来想看看图卷积，但看环境难配就又转头看caffe去了。我差不多是个废人了。。。

        前几天把caffe每一层的输出都弄出来了，但有个地方我一直不理解，就是卷积层的num_output这个参数，官方文档上的解释是：卷积核的数量。

        我根据前天的博客把每一层的结果shape输出出来后发现，这东西和卷积后输出的通道数是一样的，就是说有几个卷积核最后就有几个通道。而参数的shape则是：(output_channels, input_channels, filter_height, filter_width)，即是说有这个4维矩阵这么多的参数（难怪cnn参数动辄几百上千万）。结合这篇文章，看看卷积的具体过程其实挺好理解的。

        假如输入是n*c*h*w，卷积核的size为k，则二维卷积核为k*k，三维卷积核为c*k*k（本来有张图能很好的解释cnn的三维卷积核，但突然找不到了）。num_output的数量应该是值三维卷积核的数量，这样的话，原来的c*h*w的数据通过卷积后就变成了一个通道的特征了，其大小为((h+2*pad_h-k_h)/stride_h+1)*((w+2*pad_w-k_w)/stide_w+1)，pad是填充值，stride是步长，就是说c通道的数据经过一个三维卷积核变成一通道的特征了，所以最后共有num_ouput维特征。即输出为num_output*h_new*w_new。即Cout维新特征。

        结合上面的博客从卷积的具体过程来理解也是可以的，卷积的参数矩阵：Cout*(Cin*k*k)，乘以输入的特征矩阵：(Cin*k*k)*(h_new*w_new)，结果就是Cout*(h_new*w_new)了。

        上面博客的最后一张图字母有点问题，建议看这篇博客的图。