C++卷积神经网络实例：tiny_cnn代码详解（4）——convolutional_layer类结构信息之成员变量与构造函数

　　在之前的博文中我们已经对tiny_cnn框架的整体类结构做了大致分析，阐明了各个类之间的继承依赖关系，在接下来的几篇博文中我们将分别对各个类进行更为详细的分析，明确其内部具体功能实现。在这篇博文中着重分析convolutional_layer类。convolutional_layer封装的是卷积神经网络中的卷积层网路结构，其在主程序中对应的初始化部分代码如下：

　　可见在测试程序中我们构建了一个具有五层网络结构（不包括全连接层）的神经网络结构，这也正是LeNet-5的结构，在其中一共有三层为卷积层，因此可见卷积层在CNN中所起的重要中用，接下来就从“convolutional_layer(32, 32, 5, 1, 6)”这个代码入手对convolutional_layer类进行分析。首先给出convolutional_layer类的整体结构：

　　一、成员变量

　　convolutional_layer类一共有五个私有的成员变量，in_保存了输入数据矩阵的基本属性：行数、列数、维数；out_保存了输出特征矩阵的基本形式：函数、列数、维数；weight_保存了权重矩阵的基本形式。connection_保存了当前卷积层与上一层（下采样层）之间的连接关系，window_size_保存了当前层卷积核尺寸。

　　这里有一点需要强调，in_、out_、weight_三个变量均是index3d形式，这里的index3d实际上指的是一个三元vector类型，其声明位于util.h文件中：

　　所以index3d类型的变量能够保存三个数值信息，并能够在其内部做一些简要运算。

　　二、构造函数

　　在研究完类的成员变量之后，接下来需要分析其内部的函数实现形式，以求对这个类的功能以及相关结构有更好的理解。convolutional_layer类的成员函数大体上可以分为三部分：构造函数、层间连接构造函数、返回函数。其中构造函数承担了成员变量的初始化任务。

　　2.1 构造函数的两种形式

　　convolutional_layer类提供了两种构造函数的形式，一种是采用默认的连接方式，也就是和前一层的卷积输出进行全连接，定义如下：

　　这里的connection_table（）会返回一个默认的全零矩阵，然后init_connection（）函数会将默认成员变量connection_初始化为全零矩阵，全零矩阵也就默认是全连接模式，这点稍后会给出详细分析。

　　convolutional_layer的第二种构造函数需要人为指定与前一层的连接形式，具体如下：

　　这里connection_table是由外部传入的、用户指定的连接矩阵，通过init_connection函数将其赋值给connection_。

　　2.2 构造函数输入参数

　　接来下对构造函数的参数以及与基类构造函数的继承关系进行分析。首先，convolutional_layer类在执行构造时一共需要以下几个参数： 

　　in_width：输入图片宽度（矩阵行数）；

　　in_height：输入图片高度（矩阵列数）；

　　window_size：卷积窗口大小；

　　in_channels：输入的模板数；

　　out_channels：输出的模板数

　　connection_table：矩阵的连接形式，可以默认生成也可以用户指定。

　　由于convolutional_layer类是继承自partial_connected_layer类，因此在执行convolutional_layer构造函数的过程中，首先需要执行其基类partial_connected_layer类的构造函数：

partial_connected_layer(in_width * in_height * in_channels, (in_width - window_size + 1) * (in_height - window_size + 1) * out_channels, 
            sqr(window_size) * in_channels * out_channels, out_channels), 

　　有关partial_connected_layer类的构造函数我会在介绍partial_connected_layer类的博文中专门进行分析，这里就先不做过多的表述，接下来需要分析的是在convolutional_layer的构造函数中是如何实现对其成员变量的初始化的，具体代码如下：

　　（1）in_作为卷积层的输入参数，直接保存输入数据矩阵的尺寸以及通道数即可（单通道或者三通道）；

　　（2）out_作为卷积层的特征输出，由于存在滑动窗口卷积的缘故，导致其输出的特征矩阵的尺寸与输入的数据矩阵的尺寸不一致，具体值为“in_width - window_size + 1”和“in_height - window_size + 1”，并且输出的特征模板数量与指定的out_channels相当。

　　（3）weight_作为卷积层的权重矩阵，其尺寸自然应当和卷积核的尺寸相当，至于个数，则为输入数据矩阵数量*输出特征模板数量，即每个映射核完成一个输入矩阵到一个输出矩阵之间的映射任务，这就是所谓的权值共享和感受野的概念。

　　（4）connection_为卷积网络与前一层（下采样层）的连接形式矩阵，保存了表示连接与否标志位的矩阵，在LeNet-5网络中，第一个卷积层与输入层是全连接的，第二个卷积层和下采样层的连接情况如下所示：

　　对应的，在MyTinyCnn的测试程序中给出了对应的定义：

　　（5）window_size_保存了当前卷积层卷积核的尺寸，直接由用户指定即可。

　　OK，这篇博客着重分析了convolutional_layer类中相关的成员变量和构造函数等信息，在下一篇博客中我们将着重对其中的成员函数进行分析，具体说明各个成员变量之间的初始化方式方法。

　　三、注意事项

　　1、类型别名问题

　　在tiny_cnn中，作者通过typedef关键字定义了若干类型别名，位于util.h文件中：

　　因此在分析代码的过程中若是遇到这些类型别名，只需知道其真实的类型即可。

　　2、代码截图问题

　　在这系列的博客中，我所分析的很多代码都是通过截图的方式来获得，这样做的原因有两个，一是这份tiny_cnn的工程文件大家都可以从网上下载得到，无需再粘贴源码；二是通过截图的方式能够方便对我想要强调的部分进行标记突出，便于大家理解，希望大家习惯这种代码截图的方式。不过这种方式也有一个缺点，就是会导致博文的图片过多，内容过长，大家勉强接受吧。

如果觉得这篇文章对您有所启发，欢迎关注我的公众号，我会尽可能积极和大家交流，谢谢。