Caffe卷积神经网络视觉层Vision Layers及参数实例分析

这篇“Caffe卷积神经免费云主机域名网络视觉层VisionLayers及参数实例分析”文章的知识点大部分人都不太理解，所以小编给大家总结了以下内容，内容详细，步骤清晰，具有一定的借鉴价值，希望大家阅读完这篇文章能有所收获，下面我们一起来看看这篇“Caffe卷积神经网络视觉层VisionLayers及参数实例分析”文章吧。就是卷积层，是卷积神经网络（CNN）的核心层。层类型：Convolutionlr_mult: 学习率的系数，最终的学习率是这个数乘以solver.prototxt配置文件中的base_lr。如果有两个lr_mult, 则第一个表示权值的学习率，第二个表示偏置项的学习率。一般偏置项的学习率是权值学习率的两倍。在后面的convolution_param中，我们可以设定卷积层的特有参数。必须设置的参数：num_output: 卷积核（filter)的个数kernel_size: 卷积核的大小。如果卷积核的长和宽不等，需要用kernel_h和kernel_w分别设定其它参数：stride: 卷积核的步长，默认为1。也可以用stride_h和stride_w来设置。pad: 扩充边缘，默认为0，不扩充。 扩充的时候是左右、上下对称的，比如卷积核的大小为5*5，那么pad设置为2，则四个边缘都扩充2个像素，即宽度和高度都扩充了4个像素,这样卷积运算之后的特征图就不会变小。也可以通过pad_h和pad_w来分别设定。weight_filler: 权值初始化。 默认为“constant”,值全为0，很多时候我们用”xavier”算法来进行初始化，也可以设置为”gaussian”bias_filler: 偏置项的初始化。一般设置为”constant”,值全为0。bias_term: 是否开启偏置项，默认为true, 开启group: 分组，默认为1组。如果大于1，我们限制卷积的连接操作在一个子集内。如果我们根据图像的通道来分组，那么第i个输出分组只能与第i个输入分组进行连接。如果设置stride为1，前后两次卷积部分存在重叠。如果设置pad=(kernel_size-1)/2,则运算后，宽度和高度不变。示例：也叫池化层，为了减少运算量和数据维度而设置的一种层。层类型：Pooling必须设置的参数：kernel_size: 池化的核大小。也可以用kernel_h和kernel_w分别设定。其它参数：pool: 池化方法，默认为MAX。目前可用的方法有MAX, AVE, 或STOCHASTICpad: 和卷积层的pad的一样，进行边缘扩充。默认为0stride: 池化的步长，默认为1。一般我们设置为2，即不重叠。也可以用stride_h和stride_w来设置。示例：pooling层的运算方法基本是和卷积层是一样的。如果设置stride为2，前后两次卷积部分不重叠。100*100的特征图池化后，变成50*50.此层是对一个输入的局部区域进行归一化，达到“侧抑制”的效果。可去搜索AlexNet或GoogLenet，里面就用到了这个功能层类型：LRN参数：全部为可选，没有必须local_size: 默认为5。如果是跨通道LRN，则表示求和的通道数；如果是在通道内LRN，则表示求和的正方形区域长度。alpha: 默认为1，归一化公式中的参数。beta: 默认为5，归一化公式中的参数。norm_region: 默认为ACROSS_CHANNELS。有两个选择，ACROSS_CHANNELS表示在相邻的通道间求和归一化。WITHIN_CHANNEL表示在一个通道内部特定的区域内进行求和归一化。与前面的local_size参数对应。归一化公式：对于每一个输入, 去除以得到归一化后的输出示例：如果对matlab比较熟悉的话，就应该知道im2col是什么意思。它先将一个大矩阵，重叠地划分为多个子矩阵，对每个子矩阵序列化成向量，最后得到另外一个矩阵。看一看图就知道了：在caffe中，卷积运算就是先对数据进行im2col操作，再进行内积运算（inner product)。这样做，比原始的卷积操作速度更快。看看两种卷积操作的异同：以上就是关于“Caffe卷积神经网络视觉层VisionLayers及参数实例分析”这篇文章的内容，相信大家都有了一定的了解，希望小编分享的内容对大家有帮助，若想了解更多相关的知识内容，请关注百云主机行业资讯频道。

相关推荐: python自动化测试中装饰器@ddt与@data怎么使用

这篇文章主要介绍“python自动化测试中装饰器@ddt与@data怎么使用”的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇“python自动化测试中装饰器@ddt与@data怎么使用”文章能帮助大家解决问题。unitte…