caffe中的卷积实现 -尊龙游戏旗舰厅官网

https://www.zhihu.com/question/28385679

https://github.com/yangqing/caffe/wiki/convolution-in-caffe:-a-memo

作者贾扬清亲自解释了这个问题。caffe框架是他在研究生毕业毕业前两个月的时间写的，自然有一些缺点（占用内存方面）。其实卷积是很难优化的，因为我们一般是在单通道的图像和单个滤波器之间进行卷积，但是深度学习中是多核多通道卷积。

对通道为c，高和宽分别为h、w的图像，在每一个位置上，划分一个kxk大小的patch，算上通道数，那就是cxkxk大小的patch，一共有hxw个patch：

这样就完成了由图像到矩阵的转化，这种操作在matlab中叫做im2col。需要注意的是，因为每一个像素点都对应一个patch，可以看成patch区域在图像上滑动，滑动的过程是有重叠的，转化所得的矩阵大小大于原图像。

与此同时，我们也要将滤波器转化成矩阵形式。

这样，卷积就可以转化为矩阵乘法（gemm in blas）问题，调用gemm（generalized matrix multiplication）对两矩阵内积。blas有许多性能优良的库，而且由分销商intel和nvidia针对所有平台进行优化。

以上，就是作者上学期间采用的一种讨巧的方法，将问题转换成更加简单的，已经可以解决的问题。在当时取得了很好的效果，直到alex krizhevsky基于对gpu的深刻理解，在cuda-convert中又取得了巨幅的提升，这种方法被碾压，这就是另外一个故事了。https://code.google.com/p/cuda-convnet2/

总结

以上是尊龙游戏旗舰厅官网为你收集整理的caffe中的卷积实现的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得尊龙游戏旗舰厅官网网站内容还不错，欢迎将尊龙游戏旗舰厅官网推荐给好友。