caffe中融合convolution layer和batch norm layer

一. 合并原因

一般的网络结构，卷积层后会跟batch norm层，在测试阶段：

(1) 从参数的由来来讲，训练好的模型中的batch norm参数，是由训练集中每个batch的batch norm层的参数累加得到的；

(2) 从功能来讲，batch norm做的工作是对batch数据做减均值除方差，再线性变换操作。

通过将卷积层和batch norm层合并，可以减少网络初始化和运算的时间，从而在测试的时候，减少测试时间。

二. 合并方式

(1) 卷积层的计算公式：

                                            (1)

其中W_conv是卷积层的权重，b_conv是卷积层的偏置。

(2) BN层的计算公式(batch norm + scale):

                                         （2）

m为均值，delta为方差，a_bn和b_bn为scale层的参数。 

(3) 两者融合，融合的原理是：将卷积层的输出(1)作为BN层的输入带入公式(2)中，可得：

(3)

X是卷积层的输入，因为上述变换都是线性变换，则融合后的卷积层参数为：

                                   （4）

三. 合并实现

(1) 给定测试deploy和训练好的模型caffemodel;

(2) 从deploy中找出convolution, batch norm, scale的位置；

(3) 从caffemodel中取出上述参数，按照(4)式计算新的卷积层参数；

(4) 从deploy中删除batch norm和scale层。

caffe中融合convolution layer和batch norm layer

原文：https://www.cnblogs.com/liangx-img/p/11890946.html