Caffe convレイヤの重みとディメンション

Question

コンビネーションがどのように機能するかを直感的に説明するこの素晴らしいarticleを見つけました。

形状の入力データ1×13×19×19、および128フィルタCONV層で：

layers { 
    name: "conv1_7x7_128" 
    type: CONVOLUTION 
    blobs_lr: 1. 
    blobs_lr: 2. 
    bottom: "data" 
    top: "conv2" 
    convolution_param { 
    num_output: 128 
    kernel_size: 7 
    pad: 3 
    weight_filler { 
     type: "xavier" 
     } 
     bias_filler { 
     type: "constant" 
     } 
    } 
} 

レイヤ今まさにカフェのCONV層の内部で何が起こっているかを理解しようと

私が正しく理解すれば、出力の形状は1 x 128 x 19 x 19です。

net->layers()[1]->blobs()た層の重み形状をみる：フィルタ（128）当り面（13）ごとに7×7行列：

layer 1: type Convolution 'conv1_7x7_128' 
    blob 0: 128 13 7 7 
    blob 1: 128 

はブロブ0ように見えるすべてのweigthsを有しています。

1 x 13 x 19 x 19のデータにブロブ0の畳み込みを行うと、正しく理解すれば128 x 13 x 19 x 19の出力になります（各7x7マトリックスは各ピクセルごとに1つの数値を生成するためパディングがあります）

• 128 x 13 x 19 x 19はレイヤーの128 x 19 x 19出力にどのように変換されますか？

• ブロブ1の128個の重みは何ですか？

ボーナスの質問：blobs_lrとは何ですか？

Answer 1

caffeのprototxt形式の古いバージョンを引用しています。新しいフォーマットに調整すると、あなたはshape 1×13×19×19の入力データを持っている場合は、19×19
適用の空間的次元で13個のチャンネルを持って、あなたのbatch_sizeが1であることを意味し、あなたに

layer { # layer and not layer*s* 
    name: "conv1_7x7_128" 
    type: "Convolution" # tyoe as string 
    param { lr_mult: 1. } # instead of blobs_lr 
    param { lr_mult: 2. } # instead of blobs_lr 
    bottom: "data" 
    top: "conv2" 
    convolution_param { 
    num_output: 128 
    kernel_size: 7 
    pad: 3 
    weight_filler { 
     type: "xavier" 
     } 
     bias_filler { 
     type: "constant" 
     } 
    } 
} 

を与えます128の7×7フィルター（各フィルターは13の入力チャンネルすべてに適用されます）は、shape 13 x 7 x 7の128フィルターを持っていることを意味します（これは最初のレイヤーのパラメータのshapeです）。各フィルターを適用すると、出力チャンネル1 x 1 x 19 x 19という結果が得られます。そのようなフィルターは128個あり、1 x 128 x 19 x 19出力になります。

第2層のパラメータはバイアスです。各フィルタの結果に対する加算スカラです。あなたは層のconvolution_paramに

bias_term: false 

を追加することにより、バイアス項をオフにすることができます。

畳み込みレイヤーhereについて詳しく読むことができます。

ボーナス質問は、すでにhis commentでEliethesaiyanがうまく答えています。