blob是caffe中的基本資料結構，簡單理解就是乙個「4維陣列」。但是，這個4維陣列有什麼意義？
btw，tensorflow這款google出的框架，帶出了tensor（張量）的概念。雖然是數學概念，個人還是傾向於簡單理解為「多維陣列」，那麼放在這裡，
caffe的blob就相當於乙個特殊的tensor了。而矩陣就是二維的張量。anyway，看看blob的4個維度都代表什麼：
num: 影象數量
channel：通道數量
width：影象寬度
height：影象高度
caffe中預設使用的sgd隨機梯度下降，其實是mini-batch sgd
每個batch，就是一堆。這乙個batch的，就儲存在乙個blob中。
當然，blob並不是這麼受限的、專門給batch內的做儲存用的。實際上，引數、梯度，也可以用blob儲存的。只要是caffe的網路中傳遞的資料，都可以用blob儲存。
而且，blob實際上也並不一定是4維的。它在實現上其實就是1維的指標，而我們作為使用者感受到的「多個維度」是通過shape來操作的。
*****==== 2016-10-26 20:32:45更新 **********
在用faster-rcnn訓練的時候使用了zf網路，對於zf網路中的卷積、池化的計算，這裡想自己算一算，結果發現對於卷積網的計算細節還是不太懂，於是找到這篇部落格。
第一感覺是，conv1得到的應該是110x110x3x96的結果，而不是110x110x96。後來問了別人，再看看書，發現自己忽略了乙個細節，
就是卷積之後有乙個∑和sigmoid的兩個過程，前者是累加，後者是對映到0-1之間。具體到faster-rcnn，∑對應的就是：各個通道上對應位置做累加；
而啟用函式使用的應該是relu吧。anyway，這裡的累加和啟用函式處理後，通道數就變成了乙個；也就是，對於乙個濾波器，滑窗濾波+累加、
啟用函式後，得到的乙個feature map。再具體點說，這裡的濾波器（卷積核），是3維的，(width,height,channel)這樣；我們用它在乙個feature map
上按滑窗方式做卷積，其實是所有channel上同時做sliding window的操作；每個sliding windows位置上，所有通道卷積的結果累加起來，再送給啟用
函式relu處理，就得到結果feature map中的乙個畫素的值。值得注意的是，濾波器的通道數量，和要處理的feature map的通道數量，其實可以不一
樣的，可以比feature map維度少一點，這相當於可以自行指定要選取feature map中的某些channel做卷積操作，相當於有乙個取樣的過程，甚至可以
僅僅使用乙個channel的卷積結果。具體例子，可以參考《人工智慧（第三版）》（王萬良著）裡面的例子，結合例子中算出的「要學習的引數數量」來理解。
caffe 基本資料結構blob
tags caffe blob blob是caffe中的基本資料結構，簡單理解就是乙個 4維陣列 但是，這個4維陣列有什麼意義？btw，tensorflow這款google出的框架，帶出了tensor 張量 的概念。雖然是數學概念，個人還是傾向於簡單理解為 多維陣列 那麼放在這裡，caffe的blo...
caffe 基本資料結構blob
tags caffe blob blob是caffe中的基本資料結構，簡單理解就是乙個 4維陣列 但是，這個4維陣列有什麼意義？btw，tensorflow這款google出的框架，帶出了tensor 張量 的概念。雖然是數學概念，個人還是傾向於簡單理解為 多維陣列 那麼放在這裡，caffe的blo...
caffe中Blob資料結構
blob資料結構是caffe中基本的資料儲存單元，它主要儲存的資料是網路中的中間資料變數，比如各層的輸入和輸出 代價函式關於網路各層引數的梯度。為什麼要專門為資料設計乙個儲存結構，我的理解是這樣保證的網路中的資料儲存結構的統一性，由於網路中每個網路的計算過程都是相似的，所以如果能把資料儲存也統一起來...