tiny_cnn源码阅读(3)-layer_base和layer

概述

神经网络有各个层组成，层是神经网络的基本组件。tiny_cnn中，实现功能的层有input_layer, convolutional_layer, average_pooling_layer, max_pooling_layer, dropout_layer, linear_layer, lrn_layer, fully_connected_layer, partial_connected_layer。这些layer都是从layer_base和layer中派生出来的。

layer_base分析

layer_base是最底层的基类，它包含了层中需要的数据，先看一下数据类型

protected:
    cnn_size_t in_size_;//输入大小
    cnn_size_t out_size_;//输出大小
    bool parallelize_;//是否并行

    layer_base* next_;//layer的前后关系由next和prev标明，都是裸指针
    layer_base* prev_;
    vec_t a_[CNN_TASK_SIZE];          // w * x，a_用来存放中间计算结果(w * x)，最终结果f(w * x)存放在output_
    vec_t output_[CNN_TASK_SIZE];     // last output of current layer, set by fprop
    vec_t prev_delta_[CNN_TASK_SIZE]; // last delta of previous layer, set by bprop
    vec_t W_;          // weight vector，存储weight权重系数
    vec_t b_;          // bias vector，存储bias

    /** contribution to derivative of loss function with respect to weights of this layer,
        indexed by worker / thread */
    vec_t dW_[CNN_TASK_SIZE];//存储weight的导数

    /** contribution to derivative of loss function with respect to bias terms of this layer,
        indexed by worker / thread */
    vec_t db_[CNN_TASK_SIZE];//存储bias的导数

    vec_t Whessian_; // diagonal terms of hessian matrix，weight对应的hessian矩阵
    vec_t bhessian_;//bias对应的hessian矩阵
    vec_t prev_delta2_; // d^2E/da^2,
    std::shared_ptr<weight_init::function> weight_init_;//weight初始化类，weight_init::function是个类
    std::shared_ptr<weight_init::function> bias_init_;//bias初始化

CNN_TASK_SIZE是个宏定义的常数，用来并行计算的；vec_t是容器

typedef std::vector<float_t, aligned_allocator<float_t, 64>> vec_t;//以64bit对齐的，存放float_t类型的容器

weight_init_和bias_init_是函数指针，用来初始化权重和偏置的。layer_base中很多纯虚函数，都是留给派生类实现，不同的派生类有不同实现。比较典型的有

virtual const vec_t& forward_propagation(const vec_t& in, size_t worker_index) = 0;
virtual const vec_t& back_propagation(const vec_t& current_delta, size_t worker_index) = 0;
virtual const vec_t& back_propagation_2nd(const vec_t& current_delta2) = 0;

第一个为前向传播函数，第二个为反向传播函数（一阶导数），第三个为反向传播（二阶导数）。
前向传播和方向传播可以并行计算，即不同数据由不同线程来计算，最终把数据合并;合并数据的函数是private函数，在调用update_weight()函数时会调用此函数。

    void merge(cnn_size_t worker_size, cnn_size_t batch_size) {//不同线程计算的梯度进行合并
        for (cnn_size_t i = 1; i < worker_size; i++)//注意这里是从1开始计算，结果保存到0
            vectorize::reduce<float_t>(&dW_[i][0],
                static_cast<cnn_size_t>(dW_[i].size()), &dW_[0][0]);
        for (cnn_size_t i = 1; i < worker_size; i++)
            vectorize::reduce<float_t>(&db_[i][0],
                static_cast<cnn_size_t>(db_[i].size()), &db_[0][0]);
        //合并后的梯度，除以batch_size进行归一化
        std::transform(dW_[0].begin(), dW_[0].end(), dW_[0].begin(), [&](float_t x) { return x / batch_size; });
        std::transform(db_[0].begin(), db_[0].end(), db_[0].begin(), [&](float_t x) { return x / batch_size; });

        CNN_LOG_VECTOR(dW_[0], "[dW-merged]");
        CNN_LOG_VECTOR(db_[0], "[db-merged]");
    }

layer分析

layer派生子layer_base，这个派生只是添加了激活函数。

template<typename Activation>
class layer : public layer_base {//layer_base变为layer，多了激活函数Activation
public:
    layer(cnn_size_t in_dim, cnn_size_t out_dim, size_t weight_dim, size_t bias_dim)
        : layer_base(in_dim, out_dim, weight_dim, bias_dim) {}

    activation::function& activation_function() override { return h_; }
protected:
    Activation h_;
};