tecsai的博客

Class_9Caffe Layers之concat层概述concat层的主要作用就是做特征融合。将两个及以上的特征图，在某一个数据轴（一般是通道轴）做拼接，起到组合特征的作用。1. 操作concat操作相对简单，只是简单地在同纬度进行拼接，并没有像eltwise层一样的运算操作。因此，在caffe中核心的处理就是拷贝（caffe_copy）。举个栗子，有两个通道不同，但其他维度均相同的特征图A和B，shape分别是1*3*300*300和1*6*300*300。如果按照C轴进行con.

Caffe源码精读 - 8 - Caffe Layers之yolov3_layer(yolov3 loss计算层)1. 概述 yolov3_layer是yolov3模型，处理feature map，计算loss的层。主要就是计算定位损失，bndbox的置信损失和类别置信损失。2. dx_box_iou(vector<Dtype> pred, vector<Dtype> truth, IOU_LOSS iou_loss)dx_box_iou是计算iou梯度信...

Class_7 Caffe Layers之deconv_layer(反卷积层)1. 概述deconv_layer是反卷积层，在DL领域又叫转置卷积。反卷积层到目前最大的用处就是实现上采样。典型的如yolov3和yolov4中，做feature map融合的时候，先采取1*1卷积降维，然后采用反卷积实现上采样。 deconv_layer也是和base_conv_layer有千丝万缕的联系，鉴于在讲conv_layer的时候已经讲过，在此不做赘述。2. deconv_layer...

Class_6 Caffe Layers之sigmoid_layer(sigmoid激活层)1. 简述sigmoid_layer是激活层，一般地说，卷积之后一定带一个激活层。caffe中sigmoid激活层相对还是简单的。继承了一个neuron_layer，然后实现了前向和后向的计算。2. neuron_layerneuron_layer实际上不是CNN或RNN中的层，而只是一个辅助层。neuron_layer的作用也很简单，就是给那些只有一个输入一个输出，且输入和输出是相同shape的层做

Class_4 Caffe Layers之data_layer(数据层)1. 概述data_layer稍微有些深， 分别是Layer->BaseDataLayer->BasePrefetchingDataLayer->DataLayer。结构图如下： 2. InternalThreadInternalThread实际上是封了一层boost的thread，相对理解起来比较简单。（1）entryentry函数是一个私有函数，不对外公开。主要是为...

Caffe源码架构比较明晰，分为solver，net， layer，Blobs四个层级(严格的说是三个层级，不包含solver)。solver是结算文件，生成网络，并控制整个网络的前向计算和反向传播；net是网络文件，一个net对象就是一个网络模型。net由一个个layer组成；layer是神经网络的各个层的抽象，其中包含Forward_cpu(Forward_gpu)和Backward_cpu(Backward_gpu)，还有输入输出blob和偏差blob。Blob是数据类，用来存储数据。

Class_4 Caffe Layers之pooling_layer(池化层)1. 概述池化是卷积神经网络中较为常用的一种操作，根本目的是实现降采样，简化计算。目前池化层从作用面区分，可分为全局池化和局部池化。全局池化是相当于在整张图上做池化，每一张特征图最终得到一个池化值，即H*W*C的特征层，经过全局池化以后得到的是1*1*C的池化输出。局部池化就是指定Feature map上相同的若干区域，进行池化操作。池化操作又分为最大池化、平均池化。具体操作细节不再赘述。2. Caffe.

Class_3 Caffe之blob(数据容器)1. 概述Blob是caffe中使用的一个数据容器，几乎每一个网络层都有自己的blob（继承自层基类layer的“vector<shared_ptr<Blob<Dtype> > > blobs_”）。各层在前向传播和反向传播过程中，主要就是改变相应blob中的存储值。2. 数据Blob中保存SyncedMemory类型的数据，SyncedMemory数据是更底层的缓存形式，直接控制指针，在此不做细致.

Caffe Layers之conv_layer(卷积层)概述卷积层是组成卷积神经网络的基础应用层，也是最常用的层部件。而卷积神经网路有事当前深度学习的根本。在一般算法的Backbone、neck和head基本都是由卷积层组成。卷积操作一般从数学角度讲，卷积分两个步骤，第一步做翻转，第二部乘积求和。 DL中的卷积操作是一种无翻转卷积，类似于相关操作。卷积的作用即是提取特征，通过一层层的卷积，使得特征被一步步浓缩。在卷积操作过程中，浅层卷积保留更多的描述信息，而深层卷积描述更多的抽象特..

左手Caffee，右手Caffe系列主要是从源码角度，对Caffe进行深度剖析，并辅助DL的理论学习。Caffe可以说是老一辈的深度学习框架了，虽然后来有了caffe2，但是第一代caffe的经典之处，无法磨灭。当前DL领域，虽然拥有了众多的深度学习框架，如TF、PyTorch、MxNet等，但不可否认，在前端识别(end)和边缘计算(edge)领域，caffe仍是最受欢迎的框架之一。究其原因，各硬件算力平台的全方位支持，模块化，底层化给硬件厂商和平台使用者提供了一种实现上的统一。当然，TF、P