Caffe conv层的重量和尺寸

Question

我偶然发现了这篇很好的文章 ，它直观地解释了如何运行。

现在试图了解caffe conv层内部正在发生的事情：

输入数据形状为1 x 13 x 19 x 19，以及128个滤波器转换层：

layers {
  name: "conv1_7x7_128"
  type: CONVOLUTION
  blobs_lr: 1.
  blobs_lr: 2.
  bottom: "data"
  top: "conv2"
  convolution_param {
    num_output: 128
    kernel_size: 7
    pad: 3
    weight_filler {
      type: "xavier"
      }
      bias_filler {
      type: "constant"
      }
    }
}

如果我理解正确，图层输出形状是1 x 128 x 19 x 19。

在net->layers()[1]->blobs()查看图层的权重形状：

layer  1: type Convolution  'conv1_7x7_128'
  blob 0: 128 13 7 7
  blob 1: 128

看起来blob 0具有所有的重量：每个平面一个7x7矩阵（13）每个滤波器（128）。

在1 x 13 x 19 x 19数据上使用blob 0进行卷积，如果我理解正确，我们最终得到128 x 13 x 19 x 19输出（有填充，因此每个7x7矩阵为每个像素生成一个数字）

• 128 x 13 x 19 x 19如何变成图层的1 x 128 x 19 x 19输出？

• blob 1中的128个权重是多少？

奖金问题：什么是blobs_lr ？

Answer 1

您正在引用旧版本的caffe原型文本格式。 调整为新格式将给你

layer {  # layer and not layer*s*
  name: "conv1_7x7_128"
  type: "Convolution"  # tyoe as string
  param { lr_mult: 1. }  # instead of blobs_lr
  param { lr_mult: 2. }  # instead of blobs_lr 
  bottom: "data"
  top: "conv2"
  convolution_param {
    num_output: 128
    kernel_size: 7
    pad: 3
    weight_filler {
      type: "xavier"
      }
      bias_filler {
      type: "constant"
      }
    }
}

如果您输入的数据shape 1 x 13 x 19 x 19，则表示您的batch_size为1，您有13个通道，空间尺寸为19 x 19。
应用128个7 x 7过滤器（每个过滤器应用于所有13个输入通道）意味着您有128个shape 13 x 7 x 7的过滤器（这是您第一层参数的shape ）。 使用单个输出通道1 x 1 x 19 x 19应用每个滤波器结果，因为您有128个这样的滤波器，最终得到1 x 128 x 19 x 19输出。

第二层的参数是偏差项 - 每个滤波器结果的附加标量。 您可以通过添加来关闭偏差项

bias_term: false

到你层的convolution_param 。

您可以在此处阅读有关卷积图层的更多信息。

至于奖金问题，Eliethesaiyan在他的评论中已经很好地回答了这个问题。