caffe源码阅读

时间 2019-11-16

标签 caffe 源码阅读繁體版

原文原文链接

caffe源码阅读

dl caffe

结构

主要两个目录
src: 包含源码实现
include: 头文件html

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语言描述了各类对象的成员变量, solvers主要提供不一样的优化器，sgd, adam, rmsprop, adagrad，test目录包含一些单元测试用例, util经常使用工具函数：python

├── caffe
│   ├── layers
│   ├── proto
│   ├── solvers
│   ├── test
│   │   └── test_data
│   └── util
└── gtest

首先来看caffe目录下的几个cpp：编程

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.cppapi

从tools出发

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，经过配置参数来达到使用caffe的目的。数组

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。网络

首先来看train函数，使用一个solver_param对象来解析solver参数，架构

caffe::SolverParameter solver_param;
  caffe::ReadSolverParamsFromTextFileOrDie(FLAGS_solver, &solver_param);

经过SolverRegistery::CreateSolver建立一个solver对象, solver对象有一个 shared_ptr<Net<Dtype> > net_成员变量：app

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_，以下：框架

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。dom

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的定义以下：

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，而后去构造Net对象，有了Net整个网络也就搭建起来了。

以后能够调用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，每一个循环是一次iter，每一个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参数是为了防止因为GPU内存不足致使没法使用较大的batch size带来的问题，由于它实际更新loss的迭代次数是iter_size * batch_size，这样就能够与使用较大的batch size是相同的结果。例如网络在batch_size = 128时取得较好的结果，但因为GPU内存不够，只够32张图片，那么能够将batch_size设为32,将iter_size设为4,取得的效果与batch_size = 128同样。

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()实现以下，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)遍历了每一个层，使每一个层分别调用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;
}

因此，以上的solver, net都是为了layer服务，核心的功能实现仍是在layer当中，咱们先来看卷积层(conv_layer.cpp)的Forward实现。

LayerFactory: 工厂模式

为了对layer有足够的理解，咱们先来阅读与layer相关的对象。全部layer的基类是Layer，因为实现的类都是使用模板编程，若是没有静态地调用相关模板类，编译器是不会进行特化的。而咱们的调用过程都是经过配置文件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。为了不这个问题，在类定义后面都进行一下声明，这样确保在使用的时候能够找到这个类，使用的是一个宏：

INSTANTIATE_CLASS(ConvolutionLayer);

宏的定义以下：

#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>;

除此以外，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，也就是须要将全部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能够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)，第二个是建立函数，如在layer_factory.cpp中有以下代码(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以下：

static LayerRegisterer<float> g_creator_f_Convolution("Convolution", creator<float>);    
 static LayerRegisterer<double> g_creator_d_Convolution("Convolution", creator<double>) ;

因此咱们再来看看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;
  }
}

能够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建立函数。

第二个宏，假如是这样调用REGISTER_LAYER_CLASS(Convolution)，则能够翻译成下面的样子：

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)

就是这个类不须要特殊建立，直接使用这个默认建立方法(Creator_ConvolutionLayer)就能够。而一些特殊的例子好比Convolution要进行其它的处理，因此要特殊写建立函数(GetConvolutionLayer)，固然大多数层均可以直接调用这个默认的函数进行建立。

数据Blob

caffe中的数据的基本存储、操做对象就是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_)对于图像数据来讲就是：图片个数，彩色通道个数，宽，高，好比说有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，从磁盘导入以前存储的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

回到Layer

Layer基类的Forward方法，注意这并不是是一个virtual方法，也就意味着它不但愿子类对这个函数进行修改，便可以认为全部Layer都是使用的这个Forward函数，因此咱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，子类必定要对其进行实现；
LayerSetup,Forward_gpu, Backward_gpu是虚函数，能够根据须要进行重写。
Setup, Forward, BackWard是普通函数，不要重写；

因为卷积也有许多种，因此在中间加了BaseConvolutionLayer类，作为全部卷积类的基类。实现了以下函数，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，实现了以下函数：

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，卷积参数已知的状况下，是能够计算输出(top)的Blob的shape，以下：

// 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);
}

里面对每一个输出top[i]调用了其成员函数Reshape，Blob的Reshape函数以下：

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)));  //从新申请
    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，并判断内存是否知足要求，不知足要求的话从新申请内存。

前向传播这里咱们分析cpu的状况，Reshape以后是Forward_cpu，如今调用的是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);
      }
    }
  }
}

代码主要是对于每一个bottom、top，要作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。若是咱们不进行转换，咱们须要循环进行屡次矩阵乘法，这里使用这个函数将每一个patch(kxkxC)拉直，而后将这些patch堆在一块儿，这样就能够只进行一次卷积就能够求出全部结果，caffe_cpu_gemm就是封装的cblas的矩阵乘法ouput = weights * col_buff。

im2col

再回到Forward函数中，作完Forward_cpu后，会遍历全部层判断是不是loss层，若是是则根据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，以下：

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，以下：

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其实是为了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，以下：

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，咱们以前更新了这些Blob里的diff值，那咱们再继续看看Blob.Update()函数里作了什么：

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;
    //...
  }
}

主要是作了以下的计算data_ = data_ - diff_，caffe_axpy其实是封装了cblas的函数，主要作两个函数相加，因为传入的系数是Dtype(-1)，因此是进行了相减更新data_，至此，每层的权重参数都获得了更新，那么一次迭代更新也就结束了。下面就是屡次调用这个过程，直到训练获得一个较好的权重参数。

test阶段

测试test阶段，不须要solver，直接使用Net进行Forward就能够获得结果：

Net<float> caffe_net(FLAGS_model, caffe::TEST, FLAGS_level, &stages);
const vector<Blob<float>*>& result = caffe_net.Forward(&iter_loss);

pycaffe

首先有一个_caffe.cpp文件，里面将全部caffe框架编译成一个_caffe.so，而pycaffe.py至关于一个wrapper，封装了一些python接口。pycaffe中能够将_caffe.so中的对象import进来，看成python对象使用，以下：

from ._caffe import Net, SGDSolver, NesterovSolver, AdaGradSolver, \
        RMSPropSolver, AdaDeltaSolver, AdamSolver, NCCL, Timer

之因此能够导入直接使用，这是由于在_caffe.cpp中使用BOOST_PYTHON_MODULE进行了导出：

BOOST_PYTHON_MODULE(_caffe) {
...
}

以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);
}

以下是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

若是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。

caffe源码阅读

caffe源码阅读

结构

从tools出发

LayerFactory: 工厂模式

数据Blob

回到Layer

test阶段

pycaffe

Reference