? ? ? ? 在专业介绍上，网上有一大堆，但真的是直接把门外汉挡门外，让我们这种成为了名副其实的“门外汉”。
基础认识：
????????像我这种探索型的人，看吴恩达的使用，（先前从图像清晰度评价了解到边缘检测，进而了解到“卷积”，只是了解，没有深入学习，但有了直观感受）直接从卷积神经网络开始，然后对其中的重要点有疑问，再向前看前面的视频，再有疑问，再向前。
? ? ? ? 慢慢会发现，虽然YOLO本质上还是神经元那一套，但已经不能直接去替代了解了。
? ? ? ? 看完吴恩达视频中对YOLO说法，再结合其他人的分析和图片说明，YOLOv1整体做的事就是
输入一张448x448的RGB三通道图像数据，划分了7x7个区域，使用分类定位，确认物体中心点在那个区域，则这几个区域再预测输出两种框，每个框包含【每一类物理是否“概率性存在”，如果“概率性存在”，则给出这个“概率”及框出它的边框信息】。然后使用“概率”高的那个框做为结果。
CNN做了什么：
? ? ? ? 在门外汉看来，输入是图像，输出给定了框选信息，那么你得从图像角度说你的算法做了什么。
? ? ? ? 但是呢，“一个师傅”出来的，都是一个模子。不说100%吧，99.99%在解释的时候只会给个论文原图那个的结构，告诉你是几x几x几的数字数据，这几个是什么矩阵数据，估计连他们自己都不知道怎么去对应的图像数据，就只能说几x几x几
? ? ? ? 所以，想要去理解，不可能，还是只能从几x几x几开始。
? ? ? ? YOLO1有24个卷积层，那么一个卷积层是什么
? ? ? ? 视频 卷积的认识--》 卷积的计算 --》 多维卷积 --》 卷积层
边缘检测的卷积 （视频截取）
RGB三通道卷积（视频截取）
?单个卷积层（视频截取）
?
一个简单的CNN网络（视频截取）
????????那么问题来了，每一层卷积层都要有卷积核来卷积操作，这些卷积核具体数值是多少？
? ? ? ? 在视频中有提到，3x3滤波器（卷积核），人工设计的检测边缘类型少，
（网络资源）
需要检测复杂图像时，相应的滤波器也会比较复杂，这时想着把这9个值当参数，让算法去学习记录，最后的学习结果作为滤波器去检测。
? ? ? ? 而在论文中也说明了，使用ImageNet数据集训练前20个卷积层，那么训练结果就应该是每一层的卷积核。
乱入一个matlab上的“胡乱测试”
?
?
?
这里有 double 与 uint8转换的问题
darknet使用C写，那么它是怎么进行卷积的
（网络资源）
(https://github.com/pjreddie/darknet) ?darknet/cfg/yolov1.cfg 中
第一个卷积层 模型参数
[convolutional]
batch_normalize=1 {是否进行BN}
filters=64 {64个卷积核，总7x7x64}
size=7 {每个卷积核大小，总7x7x64}
stride=2 {步幅，在卷积过程中每次移动的像素距离大小}
pad=1 {填充，为了可以更好地识别边缘，一般都会在输入矩阵在周围加上若干圈的0再进行卷积，加多少圈则pad为多少}
activation=leaky {网络层激活函数，Leaky ReLU}
448 / 7 = 64
该怎么理清关系？filters=64 是指64个卷积核吗？一个卷积核7x7这个是论文图中明确的
? ? 卷积层有多种卷积方式，常见的有五种：Valid、Same、Full、Strided、Fractional_strided，区别在于输出的长宽不同。
? ? ? ? Wcalid = Winput - Wkernel + 1, Hcalid = Hinput - Hkernel + 1
? ? ? ? Wsame = Winput, Hsame = Hinput
? ? ? ? Wcalid = Winput + Wkernel - 1, Hcalid = Hinput + Hkernel - 1
? ? ? ? Wstrided = ((Winput - Wkernel) / 2) + 1, Hstrided = ((Hinput - Hkernel) / 2) + 1
? ? ?由此可见，使用了strided方式
pad=1，stride=2，7x7 卷积，结果是 |(448 + 2 * 1 - 7) / 2|?+ 1 = 222 （除以2时向下取整）
按照操作，
[1][2][3][4][5][6][7]
? ? ? ? [3][4][5][6][7][8][9]
看作
[1][2][3][4][5][6][7][ ]
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? [9][ ]
一个两单元长的尺去丈量，从[7]开始翻滚到[9]再翻...
转换公式 (size - 1?+ stride * N) <= (Width?+ 2 * pad)
N <= (Width + 2 * pad - size + 1) / stride = (448 + 2 * 1 - 7 + 1) / 2 = 222
6单元 + 222 个2单元 = 6 + 444 = 450单元
[maxpool]
size=2
stride=2
222 / 2 = 111，可以论文图中是112，还漏了一个什么？
只能让它自己给答案
darknet创建时会打印
写测试文件 yolo1.c
#include <stdio.h>
#include <darknet.h>
int main(int argc, char *argv[])
{
?? ?const char *cfg = "yolo1.cfg";
?? ?if(argc > 1) {
?? ??? ?cfg = argv[1];
?? ?}
?? ?network *yolo = parse_network_cfg(cfg);?? ?
?? ?return 0;
}
gcc yolo.c -I ./darknet/include/ -L ./darknet/ -ldarknet -o yolo1test -static -lm -pthread
$ ./yolo1test ./darknet/cfg/yolov1.cfg
layer???? filters??? size????????????? input??????????????? output
??? 0 conv???? 64? 7 x 7 / 2?? 448 x 448 x?? 3?? ->?? 224 x 224 x? 64? 0.944 BFLOPs
??? 1 max????????? 2 x 2 / 2?? 224 x 224 x? 64?? ->?? 112 x 112 x? 64
??? 2 conv??? 192? 3 x 3 / 1?? 112 x 112 x? 64?? ->?? 112 x 112 x 192? 2.775 BFLOPs
??? 3 max????????? 2 x 2 / 2?? 112 x 112 x 192?? ->??? 56 x? 56 x 192
??? 4 conv??? 128? 1 x 1 / 1??? 56 x? 56 x 192?? ->??? 56 x? 56 x 128? 0.154 BFLOPs
??? 5 conv??? 256? 3 x 3 / 1??? 56 x? 56 x 128?? ->??? 56 x? 56 x 256? 1.850 BFLOPs
??? 6 conv??? 256? 1 x 1 / 1??? 56 x? 56 x 256?? ->??? 56 x? 56 x 256? 0.411 BFLOPs
??? 7 conv??? 512? 3 x 3 / 1??? 56 x? 56 x 256?? ->??? 56 x? 56 x 512? 7.399 BFLOPs
??? 8 max????????? 2 x 2 / 2??? 56 x? 56 x 512?? ->??? 28 x? 28 x 512
??? 9 conv??? 256? 1 x 1 / 1??? 28 x? 28 x 512?? ->??? 28 x? 28 x 256? 0.206 BFLOPs
?? 10 conv??? 512? 3 x 3 / 1??? 28 x? 28 x 256?? ->??? 28 x? 28 x 512? 1.850 BFLOPs
?? 11 conv??? 256? 1 x 1 / 1??? 28 x? 28 x 512?? ->??? 28 x? 28 x 256? 0.206 BFLOPs
?? 12 conv??? 512? 3 x 3 / 1??? 28 x? 28 x 256?? ->??? 28 x? 28 x 512? 1.850 BFLOPs
?? 13 conv??? 256? 1 x 1 / 1??? 28 x? 28 x 512?? ->??? 28 x? 28 x 256? 0.206 BFLOPs
?? 14 conv??? 512? 3 x 3 / 1??? 28 x? 28 x 256?? ->??? 28 x? 28 x 512? 1.850 BFLOPs
?? 15 conv??? 256? 1 x 1 / 1??? 28 x? 28 x 512?? ->??? 28 x? 28 x 256? 0.206 BFLOPs
?? 16 conv??? 512? 3 x 3 / 1??? 28 x? 28 x 256?? ->??? 28 x? 28 x 512? 1.850 BFLOPs
?? 17 conv??? 512? 1 x 1 / 1??? 28 x? 28 x 512?? ->??? 28 x? 28 x 512? 0.411 BFLOPs
?? 18 conv?? 1024? 3 x 3 / 1??? 28 x? 28 x 512?? ->??? 28 x? 28 x1024? 7.399 BFLOPs
?? 19 max????????? 2 x 2 / 2??? 28 x? 28 x1024?? ->??? 14 x? 14 x1024
?? 20 conv??? 512? 1 x 1 / 1??? 14 x? 14 x1024?? ->??? 14 x? 14 x 512? 0.206 BFLOPs
?? 21 conv?? 1024? 3 x 3 / 1??? 14 x? 14 x 512?? ->??? 14 x? 14 x1024? 1.850 BFLOPs
?? 22 conv??? 512? 1 x 1 / 1??? 14 x? 14 x1024?? ->??? 14 x? 14 x 512? 0.206 BFLOPs
?? 23 conv?? 1024? 3 x 3 / 1??? 14 x? 14 x 512?? ->??? 14 x? 14 x1024? 1.850 BFLOPs
?? 24 conv?? 1024? 3 x 3 / 1??? 14 x? 14 x1024?? ->??? 14 x? 14 x1024? 3.699 BFLOPs
?? 25 conv?? 1024? 3 x 3 / 2??? 14 x? 14 x1024?? ->???? 7 x?? 7 x1024? 0.925 BFLOPs
?? 26 conv?? 1024? 3 x 3 / 1???? 7 x?? 7 x1024?? ->???? 7 x?? 7 x1024? 0.925 BFLOPs
?? 27 conv?? 1024? 3 x 3 / 1???? 7 x?? 7 x1024?? ->???? 7 x?? 7 x1024? 0.925 BFLOPs
?? 28 Local Layer: 7 x 7 x 1024 image, 256 filters -> 7 x 7 x 256 image
?? 29 dropout?????? p = 0.50?????????????? 12544? ->? 12544
?? 30 connected??????????????????????????? 12544? ->? 1715
?? 31 Detection Layer
forced: Using default '0'
再对着图去看就发现问题了，少画了第一层输出结果
448 x 448 x?? 3?? ->?? 224 x 224 x? 64 这样看就清楚了，64个卷积核，输出 x64，那么使用了3维卷积核
那么第一步，448 x 448 x 3 一个7x7x3卷积核卷积 怎么到 224 x 224
修改下打印，就知道哪里不对了
layer???? filters??? size????????????? input??????????????? output
??? 0 calc out = (w448 + 2 * pad3 - size7) / stride2 + 1 = 224
calc out = (h448 + 2 * pad3 - size7) / stride2 + 1 = 224
conv???? 64? 7 x 7 / 2?? 448 x 448 x?? 3?? ->?? 224 x 224 x? 64? 0.944 BFLOPs
??? 1 max????????? 2 x 2 / 2?? 224 x 224 x? 64?? ->?? 112 x 112 x? 64
看下代码
convolutional_layer parse_convolutional(list *options, size_params params)
{
??? int n = option_find_int(options, "filters",1);
??? int size = option_find_int(options, "size",1);
??? int stride = option_find_int(options, "stride",1);
??? int pad = option_find_int_quiet(options, "pad",0);
??? int padding = option_find_int_quiet(options, "padding",0);
??? int groups = option_find_int_quiet(options, "groups", 1);
??? if(pad) padding = size/2;
??? ...
}
pad为1时 padding = size / 2, pad为0时，解析padding，默认为0
所以pad只是标志位，不是实际pad值
下一步：训练又是怎么一回事？