https://www.zhihu.com/question/28385679

https://github.com/Yangqing/caffe/wiki/Convolution-in-Caffe:-a-memo

作者贾扬清亲自解释了这个问题。Caffe框架是他在研究生毕业毕业前两个月的时间写的，自然有一些缺点（占用内存方面）。其实卷积是很难优化的，因为我们一般是在单通道的图像和单个滤波器之间进行卷积，但是深度学习中是多核多通道卷积。

对通道为C，高和宽分别为H、W的图像，在每一个位置上，划分一个KxK大小的patch，算上通道数，那就是CxKxK大小的patch，一共有HxW个patch：

这样就完成了由图像到矩阵的转化，这种操作在matlab中叫做im2col。需要注意的是，因为每一个像素点都对应一个patch，可以看成patch区域在图像上滑动，滑动的过程是有重叠的，转化所得的矩阵大小大于原图像。

与此同时，我们也要将滤波器转化成矩阵形式。

这样，卷积就可以转化为矩阵乘法（Gemm in BLAS）问题，调用GEMM（GEneralized Matrix Multiplication）对两矩阵内积。BLAS有许多性能优良的库，而且由分销商Intel和Nvidia针对所有平台进行优化。

以上，就是作者上学期间采用的一种讨巧的方法，将问题转换成更加简单的，已经可以解决的问题。在当时取得了很好的效果，直到Alex Krizhevsky基于对GPU的深刻理解，在cuda-convert中又取得了巨幅的提升，这种方法被碾压，这就是另外一个故事了。https://code.google.com/p/cuda-convnet2/