Deep learning CNN中的卷积层

我们知道CNN中的卷积层使用滤波器，不同的滤波器会在输入图像中寻找不同的信息

但在这里，我们有prototxt文件，它有卷积层的规范

layer {
  name: "conv2_1"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2_1"
  param {
    lr_mult: 1.0
    decay_mult: 1.0
  }
  param {
    lr_mult: 2.0
    decay_mult: 0.0
  }
  convolution_param {
    num_output: 128
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0.0
    }
  }
}

不同网络（如GoogleNet、AlexNet、VGG等）中的所有卷积层或多或少都是相似的。

---

看看这个，如何理解，卷积层中的滤波器试图提取输入图像的哪些信息

编辑： 让我澄清我的问题。 我从prototxt文件中看到两个卷积层，如下所示。他们来自SSD

layer {
  name: "conv1_1"
  type: "Convolution"
  bottom: "data"
  top: "conv1_1"
  param {
    lr_mult: 1.0
    decay_mult: 1.0
  }
  param {
    lr_mult: 2.0
    decay_mult: 0.0
  }
  convolution_param {
    num_output: 64
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0.0
    }
  }
}

layer {
  name: "conv2_1"
  type: "Convolution"
  bottom: "pool1"
  top: "conv2_1"
  param {
    lr_mult: 1.0
    decay_mult: 1.0
  }
  param {
    lr_mult: 2.0
    decay_mult: 0.0
  }
  convolution_param {
    num_output: 128
    pad: 1
    kernel_size: 3
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0.0
    }
  }
}

然后我在这里打印他们的输出

资料

conv1_1和conv2_1图像是和

所以我的问题是这两个conv层如何产生不同的输出。但是prototxt文件没有区别。

“卷积”

层不仅在参数（例如

内核大小

，

跨步

，

垫

等）上不同，而且在其权重上也不同：卷积内核的可训练参数。
您会看到不同的输出（也称为“响应”），因为过滤器的权重不同

关于caffe中“数据”blob和“参数/权重”blob之间的差异，请参见。

“卷积”

层不仅在其参数（例如，

内核大小

，

步幅

，

垫

等）上不同，而且在其权重上也不同：卷积内核的可训练参数。
您会看到不同的输出（也称为“响应”），因为过滤器的权重不同

有关caffe中“数据”Blob和“参数/权重”Blob之间的差异，请参见。

早期图层上的过滤器表示边缘等低级特征 （这些功能保留了更高的 利用与Gabor滤波器响应图相似的低层视觉信息进行精确定位的空间分辨率（1）。另一方面，中间层的过滤器提取更复杂的特征，如角点或斑点

随着你深入，你无法可视化和解释这些特征，因为中层和高层的过滤器并没有直接连接到输入图像。例如，当你得到第一层的输出时，你实际上可以将它可视化并解释为边，但当你深入并将第二个卷积层应用到这些提取的边（第一层的输出）时，你会得到类似边的边（或类似的东西）并捕获更多的语义信息和更少的细粒度空间细节。在prototxt文件中，所有卷积和其他类型的操作可以彼此相似。但由于它们的阶数和权重不同，因此提取的特征种类也不同。

早期图层上的过滤器表示边缘等低级特征 （这些功能保留了更高的 利用与Gabor滤波器响应图相似的低层视觉信息进行精确定位的空间分辨率（1）。另一方面，中间层的过滤器提取更复杂的特征，如角点或斑点

随着你深入，你无法可视化和解释这些特征，因为中层和高层的过滤器并没有直接连接到输入图像。例如，当你得到第一层的输出时，你实际上可以将它可视化并解释为边，但当你深入并将第二个卷积层应用到这些提取的边（第一层的输出）时，你会得到类似边的边（或类似的东西）并捕获更多的语义信息和更少的细粒度空间细节。在prototxt文件中，所有卷积和其他类型的操作可以彼此相似。但由于它们的阶数和权重不同，因此提取的特征种类也不同。

---

---

“看看这一点，如何理解，这个卷积层中的过滤器试图提取输入图像的哪些信息？”你没听懂吗？我没听懂你的问题。您想知道每一层上的每个过滤器都在寻找什么吗？通常，第一层提取类似边缘的特征（适用于精确定位），但随着您深入网络，过滤器主要作用于斑点形状特征，适用于相互区分对象。@HosseinKa是的。这就是我的意思。如何判断第一次卷积是在寻找边，接下来是在寻找斑点形状？prototxt文件中的那些，它们看起来都一样。你怎么知道哪个卷积在寻找哪个信息。@FalconUA我在编辑中更新了。“看看这个，怎么理解，卷积层中的过滤器试图提取输入图像的哪个信息？”你不明白吗？我不明白你的问题。您想知道每一层上的每个过滤器都在寻找什么吗？通常，第一层提取类似边缘的特征（适用于精确定位），但随着您深入网络，过滤器主要作用于斑点形状特征，适用于相互区分对象。@HosseinKa是的。这就是我的意思。如何判断第一次卷积是在寻找边，接下来是在寻找斑点形状？prototxt文件中的那些，它们看起来都一样。你们怎么知道哪个卷积在寻找哪个信息。@FalconUA我在编辑中更新了。很好的可视化图像！顺便问一下，如何为这些conv输出打印图像。我一个人策划那些小家伙。有什么工具可以绘图吗？我画出这些斑点，我得到的只是灰度。比如说，对于随机权重的新鲜网络，我们需要开始训练权重。在这种情况下，我们只知道最后一层的损失信息，我们计算梯度并逐层反向传播。然后根据损失更新每个conv层的权重。权重根据SGD自行更新。然后