caffe中五种层的实现与参数配置（2）------池化层和全连接层

最新推荐文章于 2025-10-08 22:31:19 发布

原创

最新推荐文章于 2025-10-08 22:31:19 发布 · 2.6k 阅读

0 ·

CC 4.0 BY-SA版权

本文介绍了Caffe中池化层和全连接层的实现，包括最大池化层的工作原理和内积层的参数配置。重点讲解了lr_mult学习率系数和inner_product_param的设置，如num_output、weight_filler和bias_filler等，对于全连接层，还讨论了权值和偏置的学习率以及初始化方法。

池化层的目的主要是为了降低维度

1.池化层

结构框架

1.1max-pooling（最大池化层）

图中输入为卷积层1的输出，大小为4*24，对每个不重叠的2*2的区域进行降采样，步长为2。对于max-pooling，选出每个区域中的最大值作为输出，例如，左上的（1,1,2,3）最大的是3，右上是3，左下是3，右下是2。而对于mean-pooling，需计算每个区域的平均值作为输出。最终，该层输出一个(4/2)*(24/2)的map。

1.2代码理解

layer {
  name: "pool1"        #该层的名称
  type: "Pooling"        #该层的类型
  bottom: "conv1"    #该层的输入数据blob
  top: "pool1"            #该层的输出数据blob
  pooling_param {
    pool: MAX              #Pool为池化方式，默认值为MAX，可以选择的参数有MAX、AVE、STOCHASTIC
    kernel_size: 2         #池化区域核的大小，也可以用kernel_h和kernel_w分别设置长和宽
    stride: 2                  #步长，即每次池化区域左右或上下移动的距离，一般和kernel_size相同，即为不重叠池化。也可以也可以小于kernel_size，即为重叠池化，Alexnet中就用到了重叠池化的方法
  }
}

2.全连接层

50*4*4=800个输入结点和500个输出结点

代码：

#参数和卷积层表达一样
layer {
&n