首先，查看相关的结构体的定义
Net:
Net类的数据结构
构造函数（从NetPatameter构造或者从net.prototxt中构造），初始化函数，NetParameter;
前向传播，反向传播
Net的读取与保存（序列化）
返回Blobs, Layers的名称，是否需要反向传播，权值和相关参数等
查找当前网络是否包含指定名称的Blob,Layer
初始化Init()
构建所有的Layer：CreateLayer(param.layer(layer_id));
确定Layer的输入Blob和输出Blob，从而将各个layer通过Bolb连接起来
调用Layer->Setup函数
初始化各层权值Blob
前向传播Forward
net->ForwardFromTo调用相应层的layer_[i]->Forward(bottom_vecs_[i],top_vecs_[i])
Blob：
Blob用于存储4维数据。4个维度分别为(num,channel,height,width).
public:
构造函数
Reshape，打印Bolob的shape,获取某一维度的尺寸，根据n计算偏移量，Blob中的元素数目
获取指定位置的data或diff，获取cpu_data或cpu_diff
Blob的序列化或反序列化
protected:
指向data_,diff_的指针
形状信息shape_
存放有效元素数目的信息count_,Blob的容量信息capacity_.
src/caffe.blob.cpp
Reshape(),变维函数
构造函数
获得cpu_data,cpu_diff,gpu_data,gpu_diff的指针
共享另一个Blob的data,diff指针
Update来更新网络中的参数(data = https://www.it610.com/article/data-diff)
Blob的序列化与反序列化
Blob的基础功能有：定义一个Blob,打印Blob的shape,重定义该Blob的shape(Blob的大小可以不一致)，修改和获取Blob在各个位置的参数值
#include
#include
#include
using namespace caffe;
using namespace std;
int main(void)
{
Blob a;
#定义一个Blob
cout<<"Size : "<< a.shape_string()< >& net_params = net_->params();
std::cout<shape();
#得到第一个网络参数W的Blob
std::coutcount();
i++)
{
p[i]=i%2==0?1:1;
}
for(int u =0;
uchannels();
u++)
{
for(int v =0;
vheight();
v++)
{
for(int w =0;
wwidth();
w++)
{
std::cout<data_at(0,u,v,w)<* input_layer = net_->input_blobs()[0];
//输入Blob可能有多个，[0]表示获取第一个Blob
float *p2 = input_layer->mutable_cpu_data();
int num_channels_ = input_layer->channels();
for(int i2 =0;
i2count();
i2++)
{
p2[i2]=(i2%2==0)?2:5;
}
for(int u =0;
uchannels();
u++)
{
for(int v =0;
vheight();
v++)
{
for(int w =0;
wwidth();
w++)
{
std::cout<<"input_layer"<data_at(0,u,v,w)* out_layer = net_->output_blobs()[0];
float *p4 = out_layer->mutable_cpu_data();
for (int x =0;
xnum();
x++)
{
for(int u =0;
uchannels();
u++)
{
for(int v =0;
vheight();
v++)
{
for(int w =0;
wwidth();
w++)
{
std::cout<<"out_layer"<data_at(x,u,v,w)< 用于创建网络模型的xxx.prototxt
1.数据输入层
不指定数据，指定数据的维度
input: "data"
input_dim: 1
input_dim: 1
input_dim: 10
input_dim: 10图像语义分割的输入，需要自己创建DenseImageData层
layer {
name: "ImageData1"
type: "DenseImageData"
top: "ImageData1"
top: "ImageData2"
dense_image_data_param {
source: "/media/mlxuan/LinuxH/project/SegNet/SegNet-Tutorial-master/CamVid/train.txt"
batch_size: 1
shuffle: true
}
}图像分类的输入其他2.卷积层layer {
name: "Convolution1"
type: "Convolution"
bottom: "data"
top: "Convolution1"
param {
lr_mult: 1
decay_mult: 1
}
param {
lr_mult: 2
decay_mult: 0
}
convolution_param {
num_output: 1
pad: 0
kernel_size: 3
stride: 1
dilation: 1
weight_filler {
type: "msra"
}
bias_filler {
type: "constant"
}
}
}
【caffe中Blob和Net最基本的操作】
