caffe中五种层的实现与参数配置（1）------卷积层

卷积层的作用主要是把一些特征做强化，使特征的位置更突出

1.框架理解



输入一个图像A的大小是4*4，经过2*2的卷积B，且步长为1，得到一个（4-2+1）×（4-2+1）=3*3的mapC
每个map是不同卷积核在前一层每个map上进行卷积，并将每个对应位置上的值相加然后再加上一个偏置项。
2.参数理解
layer {
name: "conv2" #该层的名字
type: "Convolution" #该层的类型，说明该层是卷积层
bottom: "pool1" #该层输入数据blob的名字
top: "conv2" #该层输出数据blob的名字
#该层的权值和偏置相关参数
 param {
lr_mult: 1 #weight的学习率1，和权值更新相关
}
param {
lr_mult: 2 #bias的学习率2，和权值更新相关
}
convolution_param {
num_output: 50 # 50个输出的map
kernel_size: 5 #卷积核大小为5*5
stride: 1 #卷积步长为1
weight_filler { #权值初始化方式
type: “xavier" #默认为“constant",值全为0，很多时候我们也可以用"xavier"或者”gaussian"来进行初始化
}
bias_filler { #偏置值的初始化方式
type: “constant"#该参数的值和weight_filler类似，一般设置为"constant"，值全为0
}
}
}以下转载：https://www.cnblogs.com/lutingting/p/5240629.html

3. 卷积层相关参数 
接下来，分别对卷积层的相关参数进行说明
（根据卷积层的定义，它的学习参数应该为filter的取值和bias的取值，其他的相关参数都为hyper-paramers，在定义模型时是要给出的）

lr_mult：学习率系数

放置在param{}中
该系数用来控制学习率，在进行训练过程中，该层参数以该系数乘solver.prototxt配置文件中的base_lr的值为学习率
即学习率=lr_mult*base_lr
如果该层在结构配置文件中有两个lr_mult，则第一个表示fitler的权值学习率系数，第二个表示偏执项的学习率系数（一般情况下，偏执项的学习率系数是权值学习率系数的两倍）

convolution_praram：卷积层的其他参数

放置在convoluytion_param{}中
该部分对卷积层的其他参数进行设置，有些参数为必须设置，有些参数为可选（因为可以直接使用默认值）

必须设置的参数

num_output：该卷积层的filter个数

kernel_size：卷积层的filter的大小（直接用该参数时，是filter的长宽相等，2D情况时，也可以设置为不能，此时，利用kernel_h和kernel_w两个参数设定）

其他可选的设置参数

stride：filter的步长，默认值为1

pad：是否对输入的image进行padding，默认值为0，即不填充（注意，进行padding可能会带来一些无用信息，输入image较小时，似乎不太合适）
weight_filter：权值初始化方法，使用方法如下
weight_filter{
      type:"xavier"  //这里的xavier是一冲初始化算法，也可以是“gaussian”；默认值为“constant”，即全部为0
}
bias_filter：偏执项初始化方法
bias_filter{
      type:"xavier"  //这里的xavier是一冲初始化算法，也可以是“gaussian”；默认值为“constant”，即全部为0
}

bias_term：是否使用偏执项，默认值为Ture