（Caffe）基本类Blob，Layer，Net（一）
本文地址：http://blog.csdn.net/mounty_fsc/article/details/51085654Caffe中，Blob。Layer，Net，Solver是最为核心的类，下面介绍这几个类，Solver将在下一节介绍。
1 Blob 1.1 简单介绍
Blob是：
- 对待处理数据带一层封装，用于在Caffe中通信传递。
- 也为CPU和GPU间提供同步能力
- 数学上，是一个N维的C风格的存储数组
总的来说。Caffe使用Blob来交流数据，其是Caffe中标准的数组与统一的内存接口，它是多功能的。在不同的应用场景具有不同的含义，如能够是：batches of images, model parameters, and derivatives for optimization等。
/**
* @brief A wrapper around SyncedMemory holders serving as the basic
*computational unit through which Layer%s, Net%s, and Solver%s
*interact.
*
* TODO(dox): more thorough description.
*/
template
class Blob {
public:
Blob()
: data_(), diff_(), count_(0), capacity_(0) {}/// @brief Deprecated;
use Blob(const vector& shape) .
explicit Blob(const int num, const int channels, const int height,
const int width);
explicit Blob(const vector& shape);
..... protected:
shared_ptr data_;
shared_ptr diff_;
shared_ptr shape_data_;
vector shape_;
int count_;
int capacity_;
DISABLE_COPY_AND_ASSIGN(Blob);
};
// class Blob 注：此处仅仅保留了构造函数与成员变量。
说明：
- Blob在实现上是对SyncedMemory（见1.5部分）进行了一层封装。
- shape_为blob维度，见1.3部分
- data_为原始数据
- diff_为梯度信息
- count_为该blob的总容量（即数据的size）。函数count(x,y)（或count(x)）返回某个切片[x,y]（[x,end]）内容量，本质上就是shape[x]shape[x+1]….*shape[y]的值
由源码中能够注意到Blob有个成员变量：vector shape_
其作用：
- 对于图像数据，shape能够定义为4维的数组(Num, Channels, Height, Width)或(n, k, h, w)。所以Blob数据维度为n*k*h*w。Blob是row-major保存的，因此在(n, k, h, w)位置的值物理位置为((n * K + k) * H + h) * W + w。当中Number是数据的batch size，对于256张图片为一个training batch的ImageNet来说n = 256; Channel是特征维度，如RGB图像k = 3
- 对于全连接网络，使用2D blobs (shape (N, D))。然后调用InnerProductLayer
- 对于參数，维度依据该层的类型和配置来确定。对于有3个输入96个输出的卷积层，Filter核 11 x 11，则blob为96 x 3 x 11 x 11. 对于全连接层，1000个输出。1024个输入。则blob为1000 x 1024.
以Blob中二维矩阵为例（如全连接网络shape (N, D)）。如图所看到的。同样的存储方式能够推广到多维。
文章图片
1.5 SyncedMemory
由1.2知。Blob本质是对SyncedMemory的再封装。
其核心代码例如以下：
/**
* @brief Manages memory allocation and synchronization between the host (CPU)
*and device (GPU).
*
* TODO(dox): more thorough description.
*/
class SyncedMemory {
public:
...
const void* cpu_data();
const void* gpu_data();
void* mutable_cpu_data();
void* mutable_gpu_data();
...
private:
...
void* cpu_ptr_;
void* gpu_ptr_;
...
};
// class SyncedMemoryBlob同一时候保存了data_和diff_,其类型为SyncedMemory的指针。
对于data_(diff_同样),事实上际值要么存储在CPU(cpu_ptr_)要么存储在GPU(gpu_ptr_),有两种方式訪问CPU数据(GPU同样)：
- 常量方式,void* cpu_data()，其不改变cpu_ptr_指向存储区域的值。
- 可变方式，void* mutable_cpu_data()，其可改变cpu_ptr_指向存储区值。
以mutable_cpu_data()为例
void* SyncedMemory::mutable_cpu_data() { to_cpu(); head_ = HEAD_AT_CPU; return cpu_ptr_; }inline void SyncedMemory::to_cpu() { switch (head_) { case UNINITIALIZED: CaffeMallocHost(&cpu_ptr_, size_, &cpu_malloc_use_cuda_); caffe_memset(size_, 0, cpu_ptr_); head_ = HEAD_AT_CPU; own_cpu_data_ = true; break; case HEAD_AT_GPU:#ifndef CPU_ONLYif (cpu_ptr_ == NULL) { CaffeMallocHost(&cpu_ptr_, size_, &cpu_malloc_use_cuda_); own_cpu_data_ = true; } caffe_gpu_memcpy(size_, gpu_ptr_, cpu_ptr_); head_ = SYNCED; #elseNO_GPU; #endifbreak; case HEAD_AT_CPU: case SYNCED: break; } }
- 经验上来说，假设不须要改变其值，则使用常量调用的方式，而且，不要在你对象中保存其指针。为何要这样设计呢。由于这样涉及能够隐藏CPU到GPU的同步细节，以及降低数据传递从而提高效率。当你调用它们的时候。SyncedMem会决定何时去复制数据，通常情况是仅当gnu或cpu改动后有复制操作，引用1官方文档中有一个样例说明何时进行复制操作。
- 调用mutable_cpu_data()能够让head转移到cpu上
- 第一次调用mutable_cpu_data()是UNINITIALIZED将运行9到14行。将为cpu_ptr_分配host内存
- 若head从gpu转移到cpu。将把数据从gpu拷贝到cpu中
Layer是Caffe的基础以及基本计算单元。Caffe十分强调网络的层次性，能够说。一个网络的大部分功能都是以Layer的形式去展开的，如convolute,pooling,loss等等。
在创建一个Caffe模型的时候，也是以Layer为基础进行的，需依照src/caffe/proto/caffe.proto中定义的网络及參数格式定义网络 prototxt文件（需了解google protocol buffer）
2.2 Layer与Blob的关系
如图，名为conv1的Layer 的输入是名为data的bottom blob，其输出是名为conv1的top blob。
【（Caffe）基本类Blob，Layer，Net（一）】
文章图片
其protobuff定义例如以下，一个layer有一个到多个的top和bottom，其相应于blob
layer {
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
....
}2.3 源码
/**
* Layer%s must implement a Forward function, in which they take their input
* (bottom) Blob%s (if any) and compute their output Blob%s (if any).
* They may also implement a Backward function, in which they compute the error
* gradients with respect to their input Blob%s, given the error gradients with
* their output Blob%s.
*/
template
class Layer {
public:
/**
* You should not implement your own constructor. Any set up code should go
* to SetUp(), where the dimensions of the bottom blobs are provided to the
* layer.
*/
explicit Layer(const LayerParameter& param)
: layer_param_(param), is_shared_(false) {
...
}
virtual ~Layer() {}/**
* @brief Implements common layer setup functionality.
* @param bottom the preshaped input blobs
* @param top
*the allocated but unshaped output blobs, to be shaped by Reshape
*/
void SetUp(const vector*>& bottom,
const vector*>& top) {
...
}.../**
* @brief Given the bottom blobs, compute the top blobs and the loss.
* \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*>& bottom,
const vector*>& 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*>& top,
const vector& propagate_down,
const vector*>& bottom);
...protected:
/** The protobuf that stores the layer parameters */
LayerParameter layer_param_;
/** The phase: TRAIN or TEST */
Phase phase_;
/** The vector that stores the learnable parameters as a set of blobs. */
vector > > blobs_;
/** Vector indicating whether to compute the diff of each param blob. */
vector param_propagate_down_;
/** The vector that indicates whether each top blob has a non-zero weight in
*the objective function. */
vector loss_;
virtual void Forward_cpu(const vector*>& bottom,
const vector*>& top) = 0;
virtual void Forward_gpu(const vector*>& bottom,
const vector*>& top) {
// LOG(WARNING) << "Using CPU code as backup.";
return Forward_cpu(bottom, top);
}virtual void Backward_cpu(const vector*>& top,
const vector& propagate_down,
const vector*>& bottom) = 0;
virtual void Backward_gpu(const vector*>& top,
const vector& propagate_down,
const vector*>& bottom) {
// LOG(WARNING) << "Using CPU code as backup.";
Backward_cpu(top, propagate_down, bottom);
}...};
// class Layer 说明：每一层定义了三种操作
- Setup：Layer的初始化
- Forward：前向传导计算。依据bottom计算top，调用了Forward_cpu（必须实现）和Forward_gpu（可选，若未实现，则调用cpu的）
- Backward：反向传导计算。依据top计算bottom的梯度。其它同上
在Layer的派生类中，主要能够分为Vision Layers
- Vision Layers
Vison 层主要用于处理视觉图像相关的层。以图像作为输入，产生其它的图像。其主要特点是具有空间结构。
包括Convolution(conv_layer.hpp)、Pooling(pooling_layer.hpp)、Local Response Normalization(LRN)(lrn_layer.hpp)、im2col等。注：老版本号的Caffe有头文件include/caffe/vision_layers.hpp，新版本号中用include/caffe/layer/conv_layer.hpp等代替 - Loss Layers
这些层产生loss，如Softmax(SoftmaxWithLoss)、Sum-of-Squares / Euclidean(EuclideanLoss)、Hinge / Margin(HingeLoss)、Sigmoid Cross-Entropy(SigmoidCrossEntropyLoss)、Infogain(InfogainLoss)、Accuracy and Top-k等 - Activation / Neuron Layers
元素级别的运算，运算均为同址计算（in-place computation。返回值覆盖原值而占用新的内存）。如：ReLU / Rectified-Linear and Leaky-ReLU(ReLU)、Sigmoid(Sigmoid)、TanH / Hyperbolic Tangent(TanH)、Absolute Value(AbsVal)、Power(Power)、BNLL(BNLL)等 - Data Layers
网络的最底层，主要实现数据格式的转换，如：Database(Data)、In-Memory(MemoryData)、HDF5 Input(HDF5Data)、HDF5 Output(HDF5Output)、Images(ImageData)、Windows(WindowData)、Dummy(DummyData)等 - Common Layers
Caffe提供了单个层与多个层的连接。如：Inner Product(InnerProduct)、Splitting(Split)、Flattening(Flatten)、Reshape(Reshape)、Concatenation(Concat)、Slicing(Slice)、Elementwise(Eltwise)、Argmax(ArgMax)、Softmax(Softmax)、Mean-Variance Normalization(MVN)等
3 Net 3.1 简单介绍
一个Net由多个Layer组成。
一个典型的网络从data layer（从磁盘中加载数据）出发到loss layer结束。如图是一个简单的逻辑回归分类器。
文章图片
例如以下定义：
name: "LogReg"
layer {
name: "mnist"
type: "Data"
top: "data"
top: "label"
data_param {
source: "input_leveldb"
batch_size: 64
}
}
layer {
name: "ip"
type: "InnerProduct"
bottom: "data"
top: "ip"
inner_product_param {
num_output: 2
}
}
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip"
bottom: "label"
top: "loss"
}3.2 源码
/**
* @brief Connects Layer%s together into a directed acyclic graph (DAG)
*specified by a NetParameter.
*
* TODO(dox): more thorough description.
*/
template
class Net {
public:
...
/// @brief Initialize a network with a NetParameter.
void Init(const NetParameter& param);
...const vector*>& Forward(const vector* > & bottom,
Dtype* loss = NULL);
...
/**
* The network backward should take no input and output, since it solely
* computes the gradient w.r.t the parameters, and the data has already been
* provided during the forward pass.
*/
void Backward();
...
Dtype ForwardBackward(const vector* > & bottom) {
Dtype loss;
Forward(bottom, &loss);
Backward();
return loss;
}
... protected:
...
/// @brief The network name
string name_;
/// @brief The phase: TRAIN or TEST
Phase phase_;
/// @brief Individual layers in the net
vector > > layers_;
/// @brief the blobs storing intermediate results between the layer.
vector > > blobs_;
vector*> > bottom_vecs_;
vector*> > top_vecs_;
...
/// The root net that actually holds the shared layers in data parallelism
const Net* const root_net_;
};
}// namespace caffe 说明：
- Init中，通过创建blob和layer搭建了整个网络框架，以及调用各层的SetUp函数。
- blobs_存放这每一层产生的blobls的中间结果。bottom_vecs_存放每一层的bottom blobs，top_vecs_存放每一层的top blobs
[1].http://caffe.berkeleyvision.org/tutorial/net_layer_blob.html
[2].http://caffe.berkeleyvision.org/tutorial/layers.html
[3].https://yufeigan.github.io
[4].https://www.zhihu.com/question/27982282
推荐阅读
- 做一件事情的基本原理是什么（）
- 基于微信小程序带后端ssm接口小区物业管理平台设计
- 基于|基于 antd 风格的 element-table + pagination 的二次封装
- 宋仲基&宋慧乔（我们不公布恋情，我们直接结婚。）
- dubbo基本认识
- Python基础|Python基础 - 练习1
- 基于爱，才会有“愿望”当“要求”。2017.8.12
- 股票型公募基金投资要领
- Java|Java基础——数组
- 学习基金第五课:认识巴菲特赌输了的指数基金|学习基金第五课:认识巴菲特赌输了的指数基金 2018-10-12