标签：tla   factor   绿色   style   time   好的   不清楚   头文件   mode   

目录结构

caffe文件夹下主要文件：

• data 用于存放下载的训练数据
• docs 帮助文档
• example 一些代码样例
• matlab MATLAB接口文件
• python Python接口文件
• model 一些配置好的模型参数
• scripts 一些文档和数据用到的脚本

下面是核心代码文件夹：

• tools 保存的源码是用于生成二进制处理程序的，caffe在训练时实际是直接调用这些二进制文件。
• include Caffe的实现代码的头文件
• src 实现Caffe的源文件

后面的学习主要围绕后面两个文件目录（include和src）下的代码展开

源码结构

• src
  • gtest google test一个用于测试的库你make runtest时看见的很多绿色RUN OK就是它，这个与caffe的学习无关，不过是个有用的库
  • caffe 关键的代码都在这里了
    • test 用gtest测试caffe的代码
    • util 数据转换时用的一些代码。caffe速度快，很大程度得益于内存设计上的优化（blob数据结构采用proto）和对卷积的优化（部分与im2col相关）[1]。
    • proto 即所谓的“Protobuf”[2]，全称“Google Protocol Buffer”，是一种数据存储格式，帮助caffe提速。
    • layers 深度神经网络中的基本结构就是一层层互不相同的网络了，这个文件夹下的源文件以及目前位置“src/caffe”中包含的我还没有提到的所有.cpp文件就是caffe的核心目录下的核心代码了。

源码主要关系

如上所言我们现在可以知道，caffe核心中的核心是下面的文档和文件:（这部分目前不清楚的地方先参照别人的观点）

• blob[.cpp .h] 基本的数据结构Blob类[3]。
• common[.cpp .h] 定义Caffe类
• internal_thread[.cpp .h] 使用boost::thread线程库
• net[.cpp .h] 网络结构类Net
• solver[.cpp .h] 优化方法类Solver
• data_transformer[.cpp .h] 输入数据的基本操作类DataTransformer
• syncedmem[.cpp .h] 分配内存和释放内存类CaffeMallocHost，用于同步GPU，CPU数据
• layer_factory.cpp layer.h 层类Layer
• layers 此文件夹下面的代码全部至少继承了类Layer

include文件夹里面存放的都是hpp文件。hpp,其实质就是将.cpp的实现代码混入.h头文件当中，定义与实现都包含在同一文件，则该类的调用者只需要include该cpp文件即可，无需再 将cpp加入到project中进行编译。而实现代码将直接编译到调用者的obj文件中，不再生成单独的obj,采用hpp将大幅度减少调用 project中的cpp文件数与编译次数，也不用再发布烦人的lib与dll,因此非常适合用来编写公用的开源库。src中的每个.cpp文件对应include文件中的头文件。

caffe这个c++工程的目录结构

标签：tla   factor   绿色   style   time   好的   不清楚   头文件   mode   

原文地址：http://www.cnblogs.com/ymjyqsx/p/7698783.html