@tags: caffe blob

blob是caffe中的基本数据结构，简单理解就是一个“4维数组”。但是，这个4维数组有什么意义？
BTW，TensorFlow这款google出的框架，带出了tensor（张量）的概念。虽然是数学概念，个人还是倾向于简单理解为“多维数组”，那么放在这里，caffe的blob就相当于一个特殊的tensor了。而矩阵就是二维的张量。

anyway，看看blob的4个维度都代表什么：

num: 图像数量
channel：通道数量
width：图像宽度
height：图像高度

caffe中默认使用的SGD随机梯度下降，其实是mini-batch SGD
每个batch，就是一堆图片。这一个batch的图片，就存储在一个blob中。

当然，blob并不是这么受限的、专门给batch内的图片做存储用的。实际上，参数、梯度，也可以用blob存储的。只要是caffe的网络中传递的数据，都可以用blob存储。

而且，blob实际上也并不一定是4维的。它在实现上其实就是1维的指针，而我们作为用户感受到的“多个维度”是通过shape来操作的。

========= 2016-10-26 20:32:45更新 ==========

在用faster-rcnn训练的时候使用了ZF网络，对于ZF网络中的卷积、池化的计算，这里想自己算一算，结果发现对于卷积网的计算细节还是不太懂，于是找到这篇博客。

一开始对于博客中的推导，1、2=>3这里不理解：

1、首先，输入图片大小是 2242243（这个3是三个通道，也就是RGB三种）

2、然后第一层的卷积核维度是 773*96 （所以大家要认识到卷积核都是4维的，在caffe的矩阵计算中都是这么实现的）；

3、所以conv1得到的结果是11011096 （这个110来自于 (224-7+pad)/2 +1 ，这个pad是我们常说的填充，也就是在图片的周围补充像素，这样做的目的是为了能够整除，除以2是因为2是图中的stride， 这个计算方法在上面建议的文档中有说明与推导的）；

第一感觉是，conv1得到的应该是110x110x3x96的结果，而不是110x110x96。后来问了别人，再看看书，发现自己忽略了一个细节，就是卷积之后有一个∑和sigmoid的两个过程，前者是累加，后者是映射到0-1之间。具体到faster-rcnn，∑对应的就是：各个通道上对应位置做累加；而激活函数使用的应该是ReLU吧。anyway，这里的累加和激活函数处理后，通道数就变成了一个；也就是，对于一个滤波器，滑窗滤波+累加、激活函数后，得到的一个feature map。

再具体点说，这里的滤波器（卷积核），是3维的，(Width,Height,Channel)这样；我们用它在一个feature map上按滑窗方式做卷积，其实是所有Channel上同时做sliding window的操作；每个sliding windows位置上，所有通道卷积的结果累加起来，再送给激活函数ReLU处理，就得到结果feature map中的一个像素的值。

值得注意的是，滤波器的通道数量，和要处理的feature map的通道数量，其实可以不一样的，可以比feature map维度少一点，这相当于可以自行指定要选取feature map中的某些channel做卷积操作，相当于有一个采样的过程，甚至可以仅仅使用一个channel的卷积结果。具体例子，可以参考《人工智能（第三版）》（王万良著）里面的例子，结合例子中算出的“要学习的参数数量”来理解。

总结

1. 在caffe中，Blob类型是(Width,Height,Channel,Number)四元组，表示宽度、高度、通道数量、数量（或者叫种类）

2. 图像本身、feature map、滤波器（kernel），都可以看做是Blob类型的具体例子

3. 一个“层”，可以理解为执行相应操作后，得到的结果。比如，执行卷积操作，得到卷积层；执行全连接操作，得到全连接层。通常把池化层归属到卷积层里面。池化就是下采样的意思，有最大池化和平均池化等。

4. 对于一个卷积层，其处理的“输入”是多个feature maps，也就是一个Blob实例：(H1,W1,C1,N1)，比如(224,224,3,5），表示5张图像（这里的5，可以认为是一个minibatch的batch size，即图片数量）
   卷积操作需要卷积核的参与，卷积核也是Blob的实例：(H2,W2,C2,N2)，比如(7,7,3,96)，表示有96个卷积核，每个卷积核是一个3维的结构，是7x7的截面、3个通道的卷积核
   卷积层的输出也是若干feature maps，也是一个Blob实例:(H3,W3,C3,N3)，是根据输入的feature maps和指定的卷积核计算出来的。按上面的例子，得到feature map的Blob描述为(110,110,96,5)，表示有5个feature maps，每个feature map是110x110x96大小。
   通常可以这样理解：卷积核的个数，作为结果feature maps中的通道数量。

参考
http://blog.csdn.net/u014114990/article/details/51125776

=========== 2016-10-27 21:06:24 再次update ===========
其实上面的理解简直是过于琐碎、过于不到位。其实CNN的数据流动，包括前向传播和反向传播，都是blob经过一层，得到一个新的blob，这个层通常是卷积操作。这个卷积是3D卷积，是空间的卷积！简言之，每次把空间的一个长方体内部的元素值累加，即得到结果feature map中的一个像素值（通常是滑窗操作，所以说是得到一个像素值）：

feature map --(3D卷积)--> 新的feature map