caffe中的卷积实现

在caffeine中，作者并没有按照传统的卷积方式来实现卷积，而是按照matlab中的方法imcol来实现卷积的。具体实现方式如下：

按照caffe中做一次前向传播时卷积层的计算量方法得出：
Calculation(MAC) = I*J*M*N*K*L
I*J表示卷积核的大小，M*N表示输出特征图的大小，K表示输入通道，L表示输出通道。所以，由以上参数得：对于输入和输出分别为K和L的卷积来说，相当于如下：

说明对于一个输入通道为n_c的图片来说，其过滤器的通道也必须是n_c，每个过滤器有n_c个卷积核，共有n*n_c个卷积核，n恰好是过滤器的个数，也是输出特征图片的通道数。即：输入通道数位K、输出通道为L时，输卷积核的个数应该是K*L。由于每个卷积核在一个位置进行I*J次的乘法和累加运算，一个输出中共得计算了M*N次，则总的输出中共计算了M*N*I*J*K*L次。这就是calculation（MAC）公式的由来。

由im2col图中也可以看出，caffe中的卷积运算是先将一张图片的所有像素点组合成一个矩阵X，再将卷积核也相应的变换成对应的矩阵H，最后进行一次性的矩阵运算。

卷积核中的参数总量为：
param = I*J*K*L
通常一次送入一批（batch）样本，此时计算应该再乘上批量尺寸（对于计算量同样）。
计算量-参数量之比为CPR(CALCULATION TO PARAMETERS RATIO)：
calculation/param = M*N
该计算说明，卷积层输出的特征图尺寸越大，CPR值越高，在同等计算量下的参数重复利用率越高，这也是卷积中权值共享的精髓。
参见：《21天实战caffe》 -作者 赵永科
Convolutional Neural Networ -吴恩达