Caffe源码解读：lrn_layer层原理

LRN全称为Local Response Normalization，即局部响应归一化层，具体实现在CAFFE_ROOT/src/caffe/layers/lrn_layer.cpp和同一目录下lrn_layer.cu中。

该层需要参数有：

norm_region： 选择对相邻通道间归一化还是通道内空间区域归一化，默认为ACROSS_CHANNELS，即通道间归一化；

local_size：两种表示（1）通道间归一化时表示求和的通道数；（2）通道内归一化时表示求和区间的边长；默认值为5；

alpha：缩放因子（详细见后面），默认值为1；

beta：指数项（详细见后面）， 默认值为5；

局部响应归一化层完成一种“临近抑制”操作，对局部输入区域进行归一化。

在通道间归一化模式中，局部区域范围在相邻通道间，但没有空间扩展（即尺寸为 local_size x 1 x 1）；

在通道内归一化模式中，局部区域在空间上扩展，但只针对独立通道进行（即尺寸为 1 x local_size x local_size）；

每个输入值都将除以


【卜居注：写作时的 Caffe 版本较旧，新版 Caffe 已经增加参数 k，变为 (k + (alpha / n) ……），感谢 @云峰 同学指出】

其中n为局部尺寸大小local_size,
alpha和beta前面已经定义。

求和将在当前值处于中间位置的局部区域内进行（如果有必要则进行补零）。

不过根据实验，LRN在很多情况下作用不大。

以下是caffe中的源码：

//局部响应归一化层完成一种“临近抑制”操作，对局部输入区域进行归一化
//前向传播
template <typename Dtype>
void LRNLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
switch (this->layer_param_.lrn_param().norm_region()) {
//通道间归一化
case LRNParameter_NormRegion_ACROSS_CHANNELS:
CrossChannelForward_cpu(bottom, top);
break;
//通道内归一化
case LRNParameter_NormRegion_WITHIN_CHANNEL:
WithinChannelForward(bottom, top);
break;
default:
LOG(FATAL) << "Unknown normalization region.";
}
}

//通道间归一化前向传播
template <typename Dtype>
void LRNLayer<Dtype>::CrossChannelForward_cpu(
const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
const Dtype* bottom_data = bottom[0]->cpu_data();
Dtype* top_data = top[0]->mutable_cpu_data();
//所求的系数，最后该层每个元素都要乘相应位置的系数
Dtype* scale_data = scale_.mutable_cpu_data();
// start with the constant value
// 初始化值1.0
for (int i = 0; i < scale_.count(); ++i) {
scale_data[i] = k_;
}
//波段数由channels_扩展至 channels_ + size_ - 1，即前后各扩展size/2
Blob<Dtype> padded_square(1, channels_ + size_ - 1, height_, width_);
Dtype* padded_square_data = padded_square.mutable_cpu_data();
caffe_set(padded_square.count(), Dtype(0), padded_square_data);
//预先计算公式中的alpha/n， size_表示局部尺寸，此时为求和的通道数
Dtype alpha_over_size = alpha_ / size_;
// go through the images
for (int n = 0; n < num_; ++n) {
// compute the padded square
// bottom 所有元素进行平方，保存在padded_square_data中，从第pre_pad_个波段开始保存
// padded_square_data前后各补充了pre_pad_个波段，默认初始化为0
caffe_sqr(channels_ * height_ * width_,
bottom_data + bottom[0]->offset(n),
padded_square_data + padded_square.offset(0, pre_pad_));
// Create the first channel scale
// 计算第0个通道的系数，即将通道0到size-1的元素平方乘以预先算好的（alpha/n）进行累加
// 结果保存在scale_中
for (int c = 0; c < size_; ++c) {
caffe_axpy<Dtype>(height_ * width_, alpha_over_size,
padded_square_data + padded_square.offset(0, c),
scale_data + scale_.offset(n, 0));
}
// 计算其他通道的系数
// 每次向后移动一个单位，加头去尾，避免重复计算求和
for (int c = 1; c < channels_; ++c) {
// copy previous scale
caffe_copy<Dtype>(height_ * width_,
scale_data + scale_.offset(n, c - 1),
scale_data + scale_.offset(n, c));
// add head
caffe_axpy<Dtype>(height_ * width_, alpha_over_size,
padded_square_data + padded_square.offset(0, c + size_ - 1),
scale_data + scale_.offset(n, c));
// subtract tail
caffe_axpy<Dtype>(height_ * width_, -alpha_over_size,
padded_square_data + padded_square.offset(0, c - 1),
scale_data + scale_.offset(n, c));
}
}

// In the end, compute output
// 计算求指数，由于将除法转换为乘法，故指数变负
caffe_powx<Dtype>(scale_.count(), scale_data, -beta_, top_data);
// bottom .* scale_ -> top
caffe_mul<Dtype>(scale_.count(), top_data, bottom_data, top_data);
}

//通道内归一化前向传播
template <typename Dtype>
void LRNLayer<Dtype>::WithinChannelForward(
const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
// 将bottom[0]复制到split_top_vec_中的每一个blob
// split_top_vec_[0]是product_input_，split_top_vec_[1]是square_input_
split_layer_->Forward(bottom, split_top_vec_);
// 每个元素平方
// square_bottom_vec_其实是square_input_
square_layer_->Forward(square_bottom_vec_, square_top_vec_);
// 将每个元素周围元素相加
pool_layer_->Forward(square_top_vec_, pool_top_vec_);
// Compute y = (shift + scale * x)^-power
power_layer_->Forward(pool_top_vec_, power_top_vec_);
// top等于product_bottom_vec_中bottom[0]至bottom
的内积
// product_bottom_vec_[0]是product_input_，product_bottom_vec_[1]是power_top_vec_指针
product_layer_->Forward(product_bottom_vec_, top);
}