首先得感謝某牛的：如何在caffe中增加layer以及caffe中triplet loss layer的實現
所以接下來就按照這個牛的介紹，逐個往裡面新增東西就好了。
構造設定函式這裡就先忽略，直接進入前饋和反饋的實現。
前饋的過程相對來說是比較簡單的，**如下：
template void normalizationlayer::forward_cpu(const vector*>& bottom,
const vector*>& top)
}
反饋：template void normalizationlayer::backward_cpu(const vector*>& top,
const vector& propagate_down, const vector*>& bottom) {
const dtype* top_diff = top[0]->cpu_diff();
const dtype* top_data = top[0]->cpu_data();
const dtype* bottom_data = bottom[0]->cpu_data();
dtype* bottom_diff = bottom[0]->mutable_cpu_diff();
int n = top[0]->num();
int d = top[0]->count() / n;
for (int i=0; i
Caffe中的工具之Caffe
簡介 caffe的tools目錄下提供了乙個caffe.cpp，經過編譯工具的編譯會生成乙個命令列工具caffe。該工具提供的功能有 train,test,device query,time。訓練的方法 這裡先分析train的功能，也就是訓練。訓練既支援從零開始訓練，也支援在已有的模型基礎上進行fi...
caffe中的卷積
如上，將三維的操作轉換到二維上面去做，然後呼叫gemm庫進行矩陣間的運算得到最後結果。兩個矩陣相乘，需要中間的那個維度相同，這個相同的維度就是c k k，其中c是feature map的維度，k為卷積核的邊長。按照卷積核在feature map上面滑窗的順序將其展開成二維的。在三維上面看，就是卷積核...
caffe中的backward理解
1.在本質上backward解決的是導數計算的問題，用的就是bp演算法，所謂的bp演算法就是使用當前層權重對於當前誤差加權然後傳遞到下層節點的乙個流程。下圖是caffe的doc中示意的，這裡面有兩部分，乙個部分就是向下傳遞的對於g的偏導數，這個數值就是反向傳播的輸出 另外一部分就是在當前層中對於當前...