caffe卷积原理

原理说明

caffe中的卷积计算是将卷积核矩阵和输入图像矩阵变换成两个大的矩阵，然后进行相乘得到的结果，如下图所示。

具体参数如下：

Feature Matrix

Feature Matrix的大小为K×N，各项参数如下：

• N=((imageh+2×padh−hernelh)/strideh+1)×(imagew+2×padw−kernele)/stridew+1)
• imageh：输入图像高度，即N×C×W×H中的H
• imagew：输入图像宽度，即N×C×W×H中的W
• padh：在输入图像的高度方向两边各增加padh个单位长度
• padw：在输入图像的宽度方向两边各增加padw个单位长度
• kernelh：卷积核的高度
• kernelw：卷积核的宽度
• strideh：高度方向的滑动步长
• stridew：宽度方向的滑动步长

因此，N为输出图像大小的长宽乘积，也是卷积核在输入图像上滑动可截取的最大特征数。

Filter Matrix

Filter Matrix的大小为M×K，其中M是卷积核的个数，K=k×k，等于卷积核的大小，即Filter Matrix矩阵每行为一个卷积核向量（是将二维的卷积核转化成一维），总共有M行，表示有M个卷积核。

Output Matrix

Output Matrix是Filter Matrix和Feature Matrix的乘积，是一个M×N的矩阵，其中每一行代表一个输出图像即feature map，总共有M个输出图像（输出图像数目等于卷积核数目）

caffe卷积原理图

参考文献

caffe的卷积原理
知乎上贾扬清大神的回答