标签：rop 多次 write tab 目的 continue prot 接收 detail
主要两个目录
src: 包含源码实现
include: 头文件
src目录的架构，主要代码在caffe目录中，包含net.cpp, solver.cpp, blob.cpp, layer.cpp, blob.cpp, common.cpp, layers目录主要包含一些层，是caffe核心。proto中只有一个caffe.proto文件，里面使用protobuf语言描述了各种对象的成员变量, solvers主要提供不同的优化器，sgd, adam, rmsprop, adagrad，test目录包含一些单元测试用例, util常用工具函数：
├── caffe
│ ├── layers
│ ├── proto
│ ├── solvers
│ ├── test
│ │ └── test_data
│ └── util
└── gtest
首先来看caffe目录下的几个cpp：
blob.cpp
common.cpp
data_transformer.cpp
internal_thread.cpp
layer.cpp
layer_factory.cpp
net.cpp
parallel.cpp
solver.cpp
syncedmem.cpp
blob.cpp是caffe中主要的数据传输类型。
common.cpp
在根目录下有一个tools目录，主要用来编译一个caffe的可执行档，里面提供了caffe的一些可执行参数，通过配置参数来达到使用caffe的目的。
caffe.cpp
compute_image_mean.cpp
convert_imageset.cpp
device_query.cpp
extract_features.cpp
finetune_net.cpp
net_speed_benchmark.cpp
test_net.cpp
train_net.cpp
upgrade_net_proto_binary.cpp
upgrade_net_proto_text.cpp
upgrade_solver_proto_text.cpp
main.cpp中分别注册了几个函数到g_brew_map中，分别是train, test, time, device_query。
首先来看train函数，使用一个solver_param对象来解析solver参数，
caffe::SolverParameter solver_param;
caffe::ReadSolverParamsFromTextFileOrDie(FLAGS_solver, &solver_param);
通过SolverRegistery::CreateSolver创建一个solver对象, solver对象有一个 shared_ptr<Net<Dtype> > net_成员变量：
shared_ptr<caffe::Solver<float> >
solver(caffe::SolverRegistry<float>::CreateSolver(solver_param));
Net对象是整个网络的主体，那么一个Net究竟包含什么呢？最主要的是三个变量, layers_, params_, blobs_，如下：
template <typename Dtype>
class Net {
private:
vector<shared_ptr<Layer<Dtype> > > layers_;
vector<shared_ptr<Blob<Dtype> > > params_;
vector<shared_ptr<Blob<Dtype> > > blobs_;
};
layers_是构成网络的基本组件; params_是每层的滤波器参数，这个变量和每层layer的blobs_变量是共享数据的，即这边的params_存储的是layer的blobs_的指针; blobs_是各层的中间数据。
Net构造函数接收一个NetParameter参数，只是调用了一下Init函数：
template <typename Dtype>
Net<Dtype>::Net(const NetParameter& param) {
Init(param);
}
NetParameter在caffe.proto的定义如下：
message NetParameter {
optional string name = 1;
repeated string input = 3;
repeated BlobShape input_shape = 8;
repeated int32 input_dim = 4;
optional bool force_backward = 5 [default = false];
optional NetState state = 6;
repeated LayerParameter layer = 100; // ID 100 so layers are printed last.
}
message LayerParameter {
optional string name = 1; // the layer name
optional string type = 2; // the layer type
repeated string bottom = 3; // the name of each bottom blob
repeated string top = 4; // the name of each top blob
// The blobs containing the numeric parameters of the layer.
repeated BlobProto blobs = 7;
optional TransformationParameter transform_param = 100;
}
NetParameter的核心是LayerParameter，
LayerParamter（定义进行了简化）的核心是bottom名, top名, 以及参数blobs。
这个NetParamter利用protobuf从train.prototxt, vgg.caffemodel进行读取初始化，然后去构造Net对象，有了Net整个网络也就搭建起来了。
之后可以调用solver->Solve();函数来开始整个网络的训练，而在Solve()函数中，则调用Step()函数，Step()函数主要用来进行每次的迭代，里面有个循环，每个循环是一次iter，每个iter进行iter_size次前向反向传播(FowardBackward())，并对这个batch的loss取平均更新优化器。
这里的iter_size参数是为了防止由于GPU内存不足导致无法使用较大的batch size带来的问题，因为它实际更新loss的迭代次数是iter_size * batch_size，这样就可以与使用较大的batch size是相同的结果。例如网络在batch_size = 128时取得较好的结果，但由于GPU内存不够，只够32张图片，那么可以将batch_size设为32,将iter_size设为4,取得的效果与batch_size = 128一样。
while (iter_ < stop_iter) {
// ...
Dtype loss = 0;
for (int i = 0; i < param_.iter_size(); ++i) {
loss += net_->ForwardBackward();
}
loss /= param_.iter_size();
// average the loss across iterations for smoothed reporting
UpdateSmoothedLoss(loss, start_iter, average_loss);
// ...
ApplyUpdate();
// ...
}
查看FowardBackward()实现如下，分别进行了Forward, Backward，并在前向传播时记录了loss：
Dtype ForwardBackward() {
Dtype loss;
Forward(&loss);
Backward();
return loss;
}
再看Foward(&loss)实现，调用了FowardFromTo(0, layers_.size() - 1)函数：
template <typename Dtype>
const vector<Blob<Dtype>*>& Net<Dtype>::Forward(Dtype* loss) {
if (loss != NULL) {
*loss = ForwardFromTo(0, layers_.size() - 1);
} else {
ForwardFromTo(0, layers_.size() - 1);
}
return net_output_blobs_;
}
FowardFromTo(0, layers_.szie()-1)遍历了每个层，使每个层分别调用Forward()函数，bottom_vecs_,top_vecs_的类型是vector<vector<Blob<Dtype>*> >，传入每层的类型是vector<Blob<Dtype>*>，这个vector表示层可能有多个输入或输出：
template <typename Dtype>
Dtype Net<Dtype>::ForwardFromTo(int start, int end) {
Dtype loss = 0;
for (int i = start; i <= end; ++i) {
Dtype layer_loss = layers_[i]->Forward(bottom_vecs_[i], top_vecs_[i]);
loss += layer_loss;
}
return loss;
}
所以，以上的solver, net都是为了layer服务，核心的功能实现还是在layer当中，我们先来看卷积层(conv_layer.cpp)的Forward实现。
为了对layer有足够的理解，我们先来阅读与layer相关的对象。所有layer的基类是Layer，由于实现的类都是使用模板编程，如果没有静态地调用相关模板类，编译器是不会进行特化的。而我们的调用过程都是通过配置文件train.prototxt进行动态初始化相关的类，这样就会发现找不到这个类。为了避免这个问题，在类定义后面都进行一下声明，这样确保在使用的时候可以找到这个类，使用的是一个宏：
INSTANTIATE_CLASS(ConvolutionLayer);
宏的定义如下：
#define INSTANTIATE_CLASS(classname) char gInstantiationGuard##classname; template class classname<float>; \
template class classname<double>
实际上就是声明了一下ConvolutionLayer<float>, ConvolutionLayer<double>：
char gInstantiationGuardConvolutionLayer;
template class ConvolutionLayer<float>;
template class ConvolutionLayer<double>;
除此之外，有那么多的Layer，caffe实现了一个工厂模型(layer_factory.cpp)，将layer进行统一管理，也就是需要将所有Layer都注册到一个map，里面的key对应Layer名，value是生成相应的Layer函数，这样在使用的时候就可以根据类型实例化相应的Layer对象了。提供了两个宏定义：
#define REGISTER_LAYER_CREATOR(type, creator) static LayerRegisterer<float> g_creator_f_##type(#type, creator<float>); \
static LayerRegisterer<double> g_creator_d_##type(#type, creator<double>) \
#define REGISTER_LAYER_CLASS(type) template <typename Dtype> \
shared_ptr<Layer<Dtype> > Creator_##type##Layer(const LayerParameter& param) { return shared_ptr<Layer<Dtype> >(new type##Layer<Dtype>(param)); \
} REGISTER_LAYER_CREATOR(type, Creator_##type##Layer)
先看第一个宏，传入两个参数，一个是类型(Convolution)，第二个是创建函数，如在layer_factory.cpp中有如下代码(进行了简化):
template <typename Dtype>
shared_ptr<Layer<Dtype> > GetConvolutionLayer(const LayerParameter& param) {
// 简化...
return shared_ptr<Layer<Dtype> >(new ConvolutionLayer<Dtype>(param));
// 简化...
}
REGISTER_LAYER_CREATOR(Convolution, GetConvolutionLayer);
那么宏翻译过来就是如下：
static LayerRegisterer<float> g_creator_f_Convolution("Convolution", creator<float>);
static LayerRegisterer<double> g_creator_d_Convolution("Convolution", creator<double>) ;
所以我们再来看看LayerRegisterer这个类干了什么：
LayerRegistry<Dtype>::AddCreator(type, creator);
调用了静态函数LayerRegistry<Dtype>::AddCreator，继续看：
class LayerRegistry {
public:
static CreatorRegistry& Registry() {
static CreatorRegistry* g_registry_ = new map<string, Creator>();
return *g_registry_;
}
static void AddCreator(const string& type, Creator creator) {
CreatorRegistry& registry = Registry();
CHECK_EQ(registry.count(type), 0) << "Layer type " << type << " already registered.";
registry[type] = creator;
}
}
可以看到维护了一个单例map类型对象g_registry_，这个对象存储了类型与对应的创建函数。
第二个宏，假如是这样调用REGISTER_LAYER_CLASS(Convolution)，则可以翻译成下面的样子：
template <typename Dtype>
shared_ptr<Layer<Dtype> > Creator_ConvolutionLayer(const LayerParameter& param)
{
return shared_ptr<Layer<Dtype> >(new ConvolutionLayer<Dtype>(param));
}
REGISTER_LAYER_CREATOR(type, Creator_ConvolutionLayer)
就是这个类不需要特殊创建，直接使用这个默认创建方法(Creator_ConvolutionLayer)就可以。而一些特殊的例子比如Convolution要进行其它的处理，所以要特殊写创建函数(GetConvolutionLayer)，当然大多数层都可以直接调用这个默认的函数进行创建。
caffe中的数据的基本存储、操作对象就是Blob，还提供了CPU、GPU数据同步功能。
Blob的数据基本存储就是数组，是按照行存储的。
Blob主要存储了两个数据，data_, diff_，分别是数据与梯度。
blob是一个四维的数组。维度从高到低分别是:(num_，channels_，height_，width_)对于图像数据来说就是：图片个数，彩色通道个数，宽，高，比如说有10张图片，分别是512*256大小，彩色三通道，则为：（10，3，256，512）：
template <typename Blob>
class Blob {
public:
inline int num() const { return LegacyShape(0); }
inline int channels() const { return LegacyShape(1); }
inline int height() const { return LegacyShape(2); }
inline int width() const { return LegacyShape(3); }
inline const shared_ptr<SyncedMemory>& data() const {
return data_;
}
inline const shared_ptr<SyncedMemory>& diff() const {
return diff_;
}
void Update() {
caffe_axpy<Dtype>(count_, Dtype(-1), static_cast<const Dtype*>(diff_->cpu_data()), static_cast<Dtype*>(data_->mutable_cpu_data()));
}; // 数据更新，即减去当前计算出来的梯度
void FromProto(const BlobProto& proto, bool reshape = true); // 将数据进行反序列化，从磁盘导入之前存储的blob
void ToProto(BlobProto* proto, bool write_diff = false) const; // 将数据进行序列化，便于存储
protected:
shared_ptr<SyncedMemory> data_;
shared_ptr<SyncedMemory> diff_;
shared_ptr<SyncedMemory> shape_data_;
vector<int> shape_;
int count_;
int capacity_;
DISABLE_COPY_AND_ASSIGN(Blob);
}; // class Blob
Layer基类的Forward方法，注意这并非是一个virtual方法，也就意味着它不希望子类对这个函数进行修改，即可以认为所有Layer都是使用的这个Forward函数，所以我们来看看具体的步骤：
template <typename Dtype>
class Layer {
public:
explicit Layer(const LayerParameter& param) : layer_param_(param) {
phase_ = param.phase();
if (layer_param_.blobs_size() > 0) {
blobs_.resize(layer_param_.blobs_size());
for (int i = 0; i < layer_param_.blobs_size(); ++i) {
blobs_[i].reset(new Blob<Dtype>());
blobs_[i]->FromProto(layer_param_.blobs(i));
}
}
}
virtual ~Layer() {}
void SetUp(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
CheckBlobCounts(bottom, top);
LayerSetUp(bottom, top);
Reshape(bottom, top);
SetLossWeights(top);
}
/**
* @brief Does layer-specific setup: your layer should implement this function
* as well as Reshape.
*
* @param bottom
* the preshaped input blobs, whose data fields store the input data for
* this layer
* @param top
* the allocated but unshaped output blobs
*
* This method should do one-time layer specific setup. This includes reading
* and processing relevent parameters from the <code>layer_param_</code>.
* Setting up the shapes of top blobs and internal buffers should be done in
* <code>Reshape</code>, which will be called before the forward pass to
* adjust the top blob sizes.
*/
virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {}
/**
* @brief Adjust the shapes of top blobs and internal buffers to accommodate
* the shapes of the bottom blobs.
*
* @param bottom the input blobs, with the requested input shapes
* @param top the top blobs, which should be reshaped as needed
*
* This method should reshape top blobs as needed according to the shapes
* of the bottom (input) blobs, as well as reshaping any internal buffers
* and making any other necessary adjustments so that the layer can
* accommodate the bottom blobs.
*/
virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) = 0;
/**
* @brief Given the bottom blobs, compute the top blobs and the loss.
*
* @param bottom
* the input blobs, whose data fields store the input data for this layer
* @param top
* the preshaped output blobs, whose data fields will store this layers‘
* outputs
* \return The total loss from the layer.
*
* The Forward wrapper calls the relevant device wrapper function
* (Forward_cpu or Forward_gpu) to compute the top blob values given the
* bottom blobs. If the layer has any non-zero loss_weights, the wrapper
* then computes and returns the loss.
*
* Your layer should implement Forward_cpu and (optionally) Forward_gpu.
*/
inline Dtype Forward(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);
/**
* @brief Given the top blob error gradients, compute the bottom blob error
* gradients.
*
* @param top
* the output blobs, whose diff fields store the gradient of the error
* with respect to themselves
* @param propagate_down
* a vector with equal length to bottom, with each index indicating
* whether to propagate the error gradients down to the bottom blob at
* the corresponding index
* @param bottom
* the input blobs, whose diff fields will store the gradient of the error
* with respect to themselves after Backward is run
*
* The Backward wrapper calls the relevant device wrapper function
* (Backward_cpu or Backward_gpu) to compute the bottom blob diffs given the
* top blob diffs.
*
* Your layer should implement Backward_cpu and (optionally) Backward_gpu.
*/
inline void Backward(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down,
const vector<Blob<Dtype>*>& bottom);
vector<shared_ptr<Blob<Dtype> > >& blobs() {
return blobs_;
}
const LayerParameter& layer_param() const { return layer_param_; }
protected:
/** The protobuf that stores the layer parameters */
LayerParameter layer_param_; //层的参数: 卷积核大小，步长
Phase phase_;
/** The vector that stores the learnable parameters as a set of blobs. */
vector<shared_ptr<Blob<Dtype> > > blobs_; //滤波器参数
vector<bool> param_propagate_down_;
vector<Dtype> loss_;
virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) = 0;
virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
// LOG(WARNING) << "Using CPU code as backup.";
return Forward_cpu(bottom, top);
}
virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down,
const vector<Blob<Dtype>*>& bottom) = 0;
virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down,
const vector<Blob<Dtype>*>& bottom) {
// LOG(WARNING) << "Using CPU code as backup.";
Backward_cpu(top, propagate_down, bottom);
}
private:
DISABLE_COPY_AND_ASSIGN(Layer);
};
template <typename Dtype>
inline Dtype Layer<Dtype>::Forward(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
Dtype loss = 0;
Reshape(bottom, top);
switch (Caffe::mode()) {
case Caffe::CPU:
Forward_cpu(bottom, top);
for (int top_id = 0; top_id < top.size(); ++top_id) {
if (!this->loss(top_id)) { continue; }
const int count = top[top_id]->count();
const Dtype* data = top[top_id]->cpu_data();
const Dtype* loss_weights = top[top_id]->cpu_diff();
loss += caffe_cpu_dot(count, data, loss_weights);
}
break;
case Caffe::GPU:
Forward_gpu(bottom, top);
#ifndef CPU_ONLY
for (int top_id = 0; top_id < top.size(); ++top_id) {
if (!this->loss(top_id)) { continue; }
const int count = top[top_id]->count();
const Dtype* data = top[top_id]->gpu_data();
const Dtype* loss_weights = top[top_id]->gpu_diff();
Dtype blob_loss = 0;
caffe_gpu_dot(count, data, loss_weights, &blob_loss);
loss += blob_loss;
}
#endif
break;
default:
LOG(FATAL) << "Unknown caffe mode.";
}
return loss;
}
在Layer中比较重要的几个函数，Setup, LayerSetup, Reshape, Forward, BackWard, Forward_cpu, Forward_gpu, Backward_cpu, Backward_gpu。
Reshape, Forward_cpu, Backward_cpu函数是纯虚函数，子类一定要对其进行实现；LayerSetup,Forward_gpu, Backward_gpu是虚函数，可以根据需要进行重写。Setup, Forward, BackWard是普通函数，不要重写；由于卷积也有许多种，所以在中间加了BaseConvolutionLayer类，做为所有卷积类的基类。实现了如下函数，并将Reshape函数由纯虚函数变为了虚函数：
LayerSetUp(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top)
Reshape(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top)
forward_cpu_gemm(const Dtype* input, const Dtype* weights, Dtype* output, bool skip_im2col)
forward_cpu_bias(Dtype* output, const Dtype* bias)
backward_cpu_gemm(const Dtype* output, const Dtype* weights, Dtype* input)
weight_cpu_gemm(const Dtype* input, const Dtype* output, Dtype* weights)
backward_cpu_bias(Dtype* bias, const Dtype* input)
forward_gpu_gemm(const Dtype* input, const Dtype* weights, Dtype* output, bool skip_im2col)
forward_gpu_bias(Dtype* output, const Dtype* bias)
backward_gpu_gemm(const Dtype* output, const Dtype* weights, Dtype* input)
weight_gpu_gemm(const Dtype* input, const Dtype* output, Dtype* weights)
backward_gpu_bias(Dtype* bias, const Dtype* input)
ConvolutionLayer继承BaseConvolutionLayer，实现了如下函数：
Forward_cpu(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top)
Backward_cpu(const vector<Blob<Dtype>*>& top, const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom)
在Layer的Forward函数中，首先调用Reshape函数，这时调用的是BaseConvolutionLayer::Reshape函数，caffe的数据组织类型为Blob，在输入(bottom)大小已知，卷积参数已知的情况下，是可以计算输出(top)的Blob的shape，如下：
// Shape the tops.
bottom_shape_ = &bottom[0]->shape();
compute_output_shape();
vector<int> top_shape(bottom[0]->shape().begin(),
bottom[0]->shape().begin() + channel_axis_);
top_shape.push_back(num_output_);
for (int i = 0; i < num_spatial_axes_; ++i) {
top_shape.push_back(output_shape_[i]);
}
for (int top_id = 0; top_id < top.size(); ++top_id) {
top[top_id]->Reshape(top_shape);
}
里面对每个输出top[i]调用了其成员函数Reshape，Blob的Reshape函数如下：
template <typename Dtype>
void Blob<Dtype>::Reshape(const vector<int>& shape) {
CHECK_LE(shape.size(), kMaxBlobAxes);
count_ = 1;
shape_.resize(shape.size());
if (!shape_data_ || shape_data_->size() < shape.size() * sizeof(int)) {
shape_data_.reset(new SyncedMemory(shape.size() * sizeof(int)));
}
int* shape_data = static_cast<int*>(shape_data_->mutable_cpu_data());
for (int i = 0; i < shape.size(); ++i) {
CHECK_GE(shape[i], 0);
if (count_ != 0) {
CHECK_LE(shape[i], INT_MAX / count_) << "blob size exceeds INT_MAX";
}
count_ *= shape[i];
shape_[i] = shape[i]; //拷到内部
shape_data[i] = shape[i];
}
if (count_ > capacity_) { //内存不够
capacity_ = count_;
data_.reset(new SyncedMemory(capacity_ * sizeof(Dtype))); //重新申请
diff_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));
}
}
其实就是将传入的shape复制到Blob的内部变量shape_中，并判断内存是否满足要求，不满足要求的话重新申请内存。
前向传播这里我们分析cpu的情况，Reshape之后是Forward_cpu，现在调用的是ConvolutionLayer::Forward_cpu函数：
template <typename Dtype>
void ConvolutionLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
const Dtype* weight = this->blobs_[0]->cpu_data();
for (int i = 0; i < bottom.size(); ++i) {
const Dtype* bottom_data = bottom[i]->cpu_data();
Dtype* top_data = top[i]->mutable_cpu_data();
for (int n = 0; n < this->num_; ++n) {
this->forward_cpu_gemm(bottom_data + n * this->bottom_dim_, weight,
top_data + n * this->top_dim_);
if (this->bias_term_) {
const Dtype* bias = this->blobs_[1]->cpu_data();
this->forward_cpu_bias(top_data + n * this->top_dim_, bias);
}
}
}
}
代码主要是对于每个bottom、top，要做num_(batch_size)次矩阵乘法(forward_cpu_gemm)，将bottom_data与weight相乘，结果保存到top_data中，这里mutable_cpu_data表示要对这个地址进行写数据，具体地矩阵乘法：
template <typename Dtype>
void BaseConvolutionLayer<Dtype>::forward_cpu_gemm(const Dtype* input,
const Dtype* weights, Dtype* output, bool skip_im2col) {
const Dtype* col_buff = input;
if (!is_1x1_) {
if (!skip_im2col) {
conv_im2col_cpu(input, col_buffer_.mutable_cpu_data());
}
col_buff = col_buffer_.cpu_data();
}
for (int g = 0; g < group_; ++g) {
caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, conv_out_channels_ /
group_, conv_out_spatial_dim_, kernel_dim_,
(Dtype)1., weights + weight_offset_ * g, col_buff + col_offset_ * g,
(Dtype)0., output + output_offset_ * g);
}
}
这里有conv_im2col_cpu函数。如果我们不进行转换，我们需要循环进行多次矩阵乘法，这里使用这个函数将每个patch(kxkxC)拉直，然后将这些patch堆在一起，这样就可以只进行一次卷积就可以求出所有结果，caffe_cpu_gemm就是封装的cblas的矩阵乘法ouput = weights * col_buff。
再回到Forward函数中，做完Forward_cpu后，会遍历所有层判断是否是loss层，如果是则根据cpu_diff()计算loss：
inline Dtype Layer<Dtype>::Forward(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
Dtype loss = 0;
Reshape(bottom, top);
Forward_cpu(bottom, top);
for (int top_id = 0; top_id < top.size(); ++top_id) {
if (!this->loss(top_id)) { continue; }
const int count = top[top_id]->count();
const Dtype* data = top[top_id]->cpu_data();
const Dtype* loss_weights = top[top_id]->cpu_diff();
loss += caffe_cpu_dot(count, data, loss_weights);
}
}
这样Forward函数就结束了，下面开始进入Backward函数，直接来看Layer的Backward函数，如下：
template <typename Dtype>
inline void Layer<Dtype>::Backward(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down,
const vector<Blob<Dtype>*>& bottom) {
switch (Caffe::mode()) {
case Caffe::CPU:
Backward_cpu(top, propagate_down, bottom);
break;
case Caffe::GPU:
Backward_gpu(top, propagate_down, bottom);
break;
default:
LOG(FATAL) << "Unknown caffe mode.";
}
}
里面直接调用Backward_cpu函数，来看ConvolutionLayer的Backward_cpu函数，如下：
template <typename Dtype>
void ConvolutionLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom) {
const Dtype* weight = this->blobs_[0]->cpu_data();
Dtype* weight_diff = this->blobs_[0]->mutable_cpu_diff();
for (int i = 0; i < top.size(); ++i) {
const Dtype* top_diff = top[i]->cpu_diff();
const Dtype* bottom_data = bottom[i]->cpu_data();
Dtype* bottom_diff = bottom[i]->mutable_cpu_diff();
// Bias gradient, if necessary.
if (this->bias_term_ && this->param_propagate_down_[1]) {
Dtype* bias_diff = this->blobs_[1]->mutable_cpu_diff();
for (int n = 0; n < this->num_; ++n) {
this->backward_cpu_bias(bias_diff, top_diff + n * this->top_dim_);
}
}
if (this->param_propagate_down_[0] || propagate_down[i]) {
for (int n = 0; n < this->num_; ++n) {
// gradient w.r.t. weight. Note that we will accumulate diffs.
if (this->param_propagate_down_[0]) {
this->weight_cpu_gemm(bottom_data + n * this->bottom_dim_,
top_diff + n * this->top_dim_, weight_diff);
}
// gradient w.r.t. bottom data, if necessary.
if (propagate_down[i]) {
this->backward_cpu_gemm(top_diff + n * this->top_dim_, weight,
bottom_diff + n * this->bottom_dim_);
}
}
}
}
}
里面根据top_diff分别更新了当前层的weight_diff(weight_cpu_gemm)，和bottom_diff(backward_cpu_gemm)（计算bottom_diff实际上是为了weight_diff）。
那么Backward也结束了，它分别计算了各层的权重参数的梯度(weight_diff)、以及各层blob的梯度(bottom_diff)。
再回到solver.Solver函数中，发现下面是执行ApplyUpdate()函数，才是真正更新参数的时候，solver.ApplyUpdate()实际上调用了Net.Update()函数，如下：
template <typename Dtype>
void Net<Dtype>::Update() {
for (int i = 0; i < learnable_params_.size(); ++i) {
learnable_params_[i]->Update();
}
}
这里的learnable_params_实际上就是每层可训练的参数，也就是每层的权重参数Blob，我们之前更新了这些Blob里的diff值，那我们再继续看看Blob.Update()函数里做了什么：
void Blob<Dtype>::Update() {
// We will perform update based on where the data is located.
switch (data_->head()) {
case SyncedMemory::HEAD_AT_CPU:
// perform computation on CPU
caffe_axpy<Dtype>(count_, Dtype(-1),
static_cast<const Dtype*>(diff_->cpu_data()),
static_cast<Dtype*>(data_->mutable_cpu_data()));
break;
//...
}
}
主要是做了如下的计算data_ = data_ - diff_，caffe_axpy实际上是封装了cblas的函数，主要做两个函数相加，由于传入的系数是Dtype(-1)，所以是进行了相减更新data_，至此，每层的权重参数都得到了更新，那么一次迭代更新也就结束了。下面就是多次调用这个过程，直到训练得到一个较好的权重参数。
测试test阶段，不需要solver，直接使用Net进行Forward就可以得到结果：
Net<float> caffe_net(FLAGS_model, caffe::TEST, FLAGS_level, &stages);
const vector<Blob<float>*>& result = caffe_net.Forward(&iter_loss);
首先有一个_caffe.cpp文件，里面将所有caffe框架编译成一个_caffe.so，而pycaffe.py相当于一个wrapper，封装了一些python接口。pycaffe中可以将_caffe.so中的对象import进来，当作python对象使用，如下：
from ._caffe import Net, SGDSolver, NesterovSolver, AdaGradSolver, RMSPropSolver, AdaDeltaSolver, AdamSolver, NCCL, Timer
之所以可以导入直接使用，这是因为在_caffe.cpp中使用BOOST_PYTHON_MODULE进行了导出：
BOOST_PYTHON_MODULE(_caffe) {
...
}
如下是导出一个类的方法：
#include<string>
#include<boost/python.hpp>
using namespace std;
using namespace boost::python;
struct World
{
void set(string msg) { this->msg = msg; }
string greet() { return msg; }
string msg;
};
BOOST_PYTHON_MODULE(hello) //导出的module 名字
{
class_<World>("World")
.def("greet", &World::greet)
.def("set", &World::set);
}
如下是python中调用导出的方法：
import hello
planet = hello.World() # 调用默认构造函数，产生类对象
planet.set("howdy") # 调用对象的方法
print planet.greet() # 调用对象的方法
如果不想导出任何构造函数，则使用no_init:
class_<Abstract>("Abstract",no_init)
最后，caffe目录中提供了一个__init__.py文件，将整个caffe目录变成一个python包：
from .pycaffe import Net, SGDSolver, NesterovSolver, AdaGradSolver, RMSPropSolver, AdaDeltaSolver, AdamSolver, NCCL, Timer
from ._caffe import init_log, log, set_mode_cpu, set_mode_gpu, set_device, Layer, get_solver, layer_type_list, set_random_seed, solver_count, set_solver_count, solver_rank, set_solver_rank, set_multiprocess, has_nccl
from ._caffe import __version__
from .proto.caffe_pb2 import TRAIN, TEST
from .classifier import Classifier
from .detector import Detector
from . import io
from .net_spec import layers, params, NetSpec, to_proto
这样，外面就可以使用caffe.Net, caffe.init_log, caffe.__version__, caffe.TRAIN, caffe.Classifier caffe.Detector caffe.io...去使用caffe的Python接口了。
标签：rop 多次 write tab 目的 continue prot 接收 detail
原文地址：https://www.cnblogs.com/gr-nick/p/9379334.html
