caffe代码阅读5:Layer的实现细节-2016.3.17

原创 2016年03月17日 15:57:22

一、Layer的作用简介

Layer实际上定义了Layer的基本操作,即初始化层、前向传播和反向传播。在前向传播中根据bottom blob得到top blob,反向传播则根据top反传到bottom。而且在前传的时候还可以计算loss,一般来说只有最后一层才会计算loss,虽然每个层都有计算loss的功能。Layer类在没有实现GPU前传和反传的时候会自动使用CPU的实现。下面给出Layer类的具体介绍。
下面给出生成的一幅图,感性地了解一下Layer的层次。
类的层次

二、Layer类的详细介绍

1)构造函数

构造函数初始化层的参数,并且设置当前层是否可以共享(如果是数据层则可以共享数据给多个网络)
这里的blobs_的定义是 vector<shared_ptr<Blob<Dtype> > > blobs_;也就是说它是是blob指针类型的容器。
explicit Layer(const LayerParameter& param)
    : layer_param_(param), is_shared_(false) {
      // Set phase and copy blobs (if there are any).
      // 训练还是测试?phase
      phase_ = param.phase();
      if (layer_param_.blobs_size() > 0) {
        // 将blobs_的大小设置为参数中的大小
        blobs_.resize(layer_param_.blobs_size());
        for (int i = 0; i < layer_param_.blobs_size(); ++i) {
          // 新建若干个Blob
          blobs_[i].reset(new Blob<Dtype>());
          // 从blob文件中获取数据
          blobs_[i]->FromProto(layer_param_.blobs(i));
        }
      }
    }

2)成员变量

保护性的成员变量:
  /** The protobuf that stores the layer parameters */
  // 层的参数
  LayerParameter layer_param_;
  /** The phase: TRAIN or TEST */
  // 训练还是测试
  Phase phase_;
  /** The vector that stores the learnable parameters as a set of blobs. */
  // blobs_的是blob指针容器
  vector<shared_ptr<Blob<Dtype> > > blobs_;
  /** Vector indicating whether to compute the diff of each param blob. */
  // 是否需要计算梯度,也即是否需要往下传播
  vector<bool> param_propagate_down_;

  /** The vector that indicates whether each top blob has a non-zero weight in
   *  the objective function. */
  // 每个top blob在目标函数中有非零的权重
  vector<Dtype> loss_;
私有的成员变量:
  /** Whether this layer is actually shared by other nets*/
  // 判断该层是否被其他层所共享
  // 这个内部变量实际是判断该层是不是数据层、数据层才可以被其他的网络共享
  bool is_shared_;

  /** The mutex for sequential forward if this layer is shared */
  // 前向传播的时候所使用的互斥量的指针
  shared_ptr<boost::mutex> forward_mutex_;

3)成员函数

3-1非内联函数:
  /** Initialize forward_mutex_ */
  void InitMutex();
  /** Lock forward_mutex_ if this layer is shared */
  // 如果该层是共享的,则需要锁住互斥量
  void Lock();
  /** Unlock forward_mutex_ if this layer is shared */
  // 如果该层是共享的,则需要解锁互斥量
  void Unlock();
3-2内联函数:
  // 判断该层是否开启共享模式(即是否数据并行化了)
  inline bool IsShared() const { return is_shared_; }
   // 设置是否共享
  inline void SetShared(bool is_shared) {
    CHECK(ShareInParallel() || !is_shared)
        << type() << "Layer does not support sharing.";
    is_shared_ = is_shared;
  }

  // 前向传播函数
  // 输入bottom,计算出top
  inline Dtype Forward(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);

   // 反向传播函数
   // 输入top和propagate_down
   // 输出bottom
  inline void Backward(const vector<Blob<Dtype>*>& top,
      const vector<bool>& propagate_down,
      const vector<Blob<Dtype>*>& bottom);

   // 返回标量的损失(该损失与top blob相关联,给定索引就可获得该损失)
  inline Dtype loss(const int top_index) const {
    return (loss_.size() > top_index) ? loss_[top_index] : Dtype(0);
  }

   // 给定索引,设置top blob相关联的损失
  inline void set_loss(const int top_index, const Dtype value) {
    if (loss_.size() <= top_index) {
      loss_.resize(top_index + 1, Dtype(0));
    }
    loss_[top_index] = value;
  }

   // 给定param_id返回是否应该计算梯度
  inline bool param_propagate_down(const int param_id) {
    return (param_propagate_down_.size() > param_id) ?
        param_propagate_down_[param_id] : false;
  }

   // 给定param_id设置是否应该计算梯度
  inline void set_param_propagate_down(const int param_id, const bool value) {
    if (param_propagate_down_.size() <= param_id) {
      param_propagate_down_.resize(param_id + 1, true);
    }
    param_propagate_down_[param_id] = value;
  }

   // 设置损失权重??暂时还不懂
  inline void SetLossWeights(const vector<Blob<Dtype>*>& top) {
    const int num_loss_weights = layer_param_.loss_weight_size();
    if (num_loss_weights) {
      CHECK_EQ(top.size(), num_loss_weights) << "loss_weight must be "
          "unspecified or specified once per top blob.";
      for (int top_id = 0; top_id < top.size(); ++top_id) {
         // the amount of weight to assign each top blob in the objective.
         // Each layer assigns a default value, usually of either 0 or 1,
      // to each top blob. loss_weight要么为0,要么为1
        const Dtype loss_weight = layer_param_.loss_weight(top_id);
        if (loss_weight == Dtype(0)) { continue; }// 为0则调过
        // loss_weigth为1则
        this->set_loss(top_id, loss_weight);
        const int count = top[top_id]->count();
        Dtype* loss_multiplier = top[top_id]->mutable_cpu_diff();
        caffe_set(count, loss_weight, loss_multiplier);
      }
    }
  }
3-3类内的函数:
// SetUp设置层的互斥量、检查BLOB的参数、调用LayerSetUp进行初始化
// LayerSetUp是一个虚函数,用户可以去重载它。
// 然后再设置topblob的形状以及设置损失权重。
void SetUp(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top) {
    // 初始化互斥量
    InitMutex();
    // 检查Blob
    CheckBlobCounts(bottom, top);
    // 层的初始化(虚函数,需用户去实现如何初始化层)
    LayerSetUp(bottom, top);
    // 改变top的形状(虚函数,需用户去实现如何根据bottomblob改变topblob的形状)
    Reshape(bottom, top);
    // 设置损失权重
    SetLossWeights(top);
  }

   // 返回blob指针的容器
  vector<shared_ptr<Blob<Dtype> > >& blobs() {
    return blobs_;
  }

   // 返回层的参数
  const LayerParameter& layer_param() const { return layer_param_; }
3-4虚函数(纯虚函数是必须要实现的!!):
   
// 虚函数,必须自己去实现
  virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top) {}

   // 在数据并行化的时候,层是否可以在多个网络之间共享
   // 默认是只有数据层才能在多个网络之间共享,其他层则不行
   // 数据层应该在数据并行化的时候确保每个solver能够顺序地访问数据
  virtual inline bool ShareInParallel() const { return false; }

  // 纯虚函数(Reshape必须要实现)
  virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top) = 0;

  // 把层参数写入到proto文件
  virtual void ToProto(LayerParameter* param, bool write_diff = false);

   // 虚函数,而且还是内联的,返回层类型
  virtual inline const char* type() const { return ""; }

   // 虚函数,获得bottom blob的精确个数
  virtual inline int ExactNumBottomBlobs() const { return -1; }

   // 虚函数,获得bottom blob的最小个数
  virtual inline int MinBottomBlobs() const { return -1; }

   // 虚函数,获得bottom blob的最大个数
  virtual inline int MaxBottomBlobs() const { return -1; }

   // 虚函数,获得top blob的精确个数
  virtual inline int ExactNumTopBlobs() const { return -1; }

   // 虚函数,获得top blob的最小个数
  virtual inline int MinTopBlobs() const { return -1; }

   // 虚函数,获得top blob的最大个数
  virtual inline int MaxTopBlobs() const { return -1; }

   // 虚函数,bottom blob和top blob的个数是否一致
  virtual inline bool EqualNumBottomTopBlobs() const { return false; }

   // 返回当前层是否自动创建匿名top blobs
   // 如果返回true,表明网络初始化的时候创建了了足够多的匿名top blobs
   // 来满足ExactNumTopBlobs或者MinTopBlobs所要求的top blobs的个数
  virtual inline bool AutoTopBlobs() const { return false; }

   // 对于一个给定的bottom blob,返回是否允许强制反传
  virtual inline bool AllowForceBackward(const int bottom_index) const {
    return true;
  }

  // 纯虚函数,必须要实现前向的CPU计算,需要用户去实现全向传播CPU,也就是说必须要实现CPU的前向传播
  virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top) = 0;

  // 虚函数,需要用户去实现全向传播GPU,如果实现GPU则运行GPU的代码
  // 如果没有实现则调用默认的CPU的代码
  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);
  }

   // 纯虚函数,反传CPU ,必须要实现!!
  virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
      const vector<bool>& propagate_down,
      const vector<Blob<Dtype>*>& bottom) = 0;

   // 虚函数,反传GPU,如果没有则用CPU的反传
  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);
  }

   // 该函数在SetUp中被调用
   // 检查Blob的一些参数是否正确
   // 比如:
   // 精确的底层blob数目
   // 最小的底层blob数目
   // 最大的底层blob数目
   // 精确的顶层blob数目
   // 最小的顶层blob数目
   // 最大的顶层blob数目
   // 此外还检查顶层和底层是否一致
  virtual void CheckBlobCounts(const vector<Blob<Dtype>*>& bottom,
                               const vector<Blob<Dtype>*>& top) {
    if (ExactNumBottomBlobs() >= 0) {
      CHECK_EQ(ExactNumBottomBlobs(), bottom.size())
          << type() << " Layer takes " << ExactNumBottomBlobs()
          << " bottom blob(s) as input.";
    }
    if (MinBottomBlobs() >= 0) {
      CHECK_LE(MinBottomBlobs(), bottom.size())
          << type() << " Layer takes at least " << MinBottomBlobs()
          << " bottom blob(s) as input.";
    }
    if (MaxBottomBlobs() >= 0) {
      CHECK_GE(MaxBottomBlobs(), bottom.size())
          << type() << " Layer takes at most " << MaxBottomBlobs()
          << " bottom blob(s) as input.";
    }
    if (ExactNumTopBlobs() >= 0) {
      CHECK_EQ(ExactNumTopBlobs(), top.size())
          << type() << " Layer produces " << ExactNumTopBlobs()
          << " top blob(s) as output.";
    }
    if (MinTopBlobs() >= 0) {
      CHECK_LE(MinTopBlobs(), top.size())
          << type() << " Layer produces at least " << MinTopBlobs()
          << " top blob(s) as output.";
    }
    if (MaxTopBlobs() >= 0) {
      CHECK_GE(MaxTopBlobs(), top.size())
          << type() << " Layer produces at most " << MaxTopBlobs()
          << " top blob(s) as output.";
    }
    if (EqualNumBottomTopBlobs()) {
      CHECK_EQ(bottom.size(), top.size())
          << type() << " Layer produces one top blob as output for each "
          << "bottom blob input.";
    }
  }
其中的一些函数的具体实现如下:
主要就是前传和反传,前传调用对应的Forward_cpu或者Forward_gpu
而我们知道Forward_cpu是纯虚函数,必须要实现而Forward_gpu是虚函数,如果不实现就调用 Forward_cpu函数了。
前传(你必须实现自己的Forward_cpu,实现Forward_gpu是可选的)
template <typename Dtype>
inline Dtype Layer<Dtype>::Forward(const vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {
  // Lock during forward to ensure sequential forward
  // 前传的时候需要上锁,按照顺序执行才行,否则就乱了
  Lock();
  Dtype loss = 0;
  // 根据bottom设置top的形状
  Reshape(bottom, top);
  // 设置运行模式CPU or GPU
  switch (Caffe::mode()) {
  case Caffe::CPU:
    // 调用CPU的前传
    Forward_cpu(bottom, top);
    // 前传计算完之后计算损失(只有最后一层才进行计算,其余层都不用)
    for (int top_id = 0; top_id < top.size(); ++top_id) {
      if (!this->loss(top_id)) { continue; }
      const int count = top[top_id]->count();
      // 获取前传的数据
      const Dtype* data = top[top_id]->cpu_data();
      // 获取梯度(\frac{\partial Loss}{\partial net})
      const Dtype* loss_weights = top[top_id]->cpu_diff();
      // data与loss_weight的点积,即得损失函数关于当前层权重的偏导了
    // \frac{\partial Loss}{\partial net} * \frac{\partial net}{\frac{W}}
    // = \frac{\partial Loss}{\partial W}
      loss += caffe_cpu_dot(count, data, loss_weights);
    }
    break;
  case Caffe::GPU:
    // GPU前传
    Forward_gpu(bottom, top);
#ifndef CPU_ONLY
    // 同上,只不过这里用GPU来计算点积了
    for (int top_id = 0; top_id < top.size(); ++top_id) {
      if (!this->loss(top_id)) { continue; }
      const int count = top[top_id]->count();
      // 获取GPU上的数据
      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.";
  }
  Unlock();
  return loss;
}
反传的道理与前传的道理很类似
// 反传 ,必须实现CPU,但是GPU是可选的
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:// CPU反传
    Backward_cpu(top, propagate_down, bottom);
    break;
  case Caffe::GPU:// GPU反传
    Backward_gpu(top, propagate_down, bottom);
    break;
  default:
    LOG(FATAL) << "Unknown caffe mode.";
  }
}

// 将LayerParameter转换为ProtoBuf
template <typename Dtype>
void Layer<Dtype>::ToProto(LayerParameter* param, bool write_diff) {
  param->Clear();
  param->CopyFrom(layer_param_);
  param->clear_blobs();
  for (int i = 0; i < blobs_.size(); ++i) {
    blobs_[i]->ToProto(param->add_blobs(), write_diff);
  }
}


其他部分的实现:
// 初始化互斥量
template <typename Dtype>
void Layer<Dtype>::InitMutex() {
  forward_mutex_.reset(new boost::mutex());
}

// Lock
template <typename Dtype>
void Layer<Dtype>::Lock() {
  if (IsShared()) {
    forward_mutex_->lock();
  }
}

// UnLock
template <typename Dtype>
void Layer<Dtype>::Unlock() {
  if (IsShared()) {
    forward_mutex_->unlock();
  }
}

三、与Layer类相关类的介绍

(1)用到了device_alternate.hpp

这其中只是定义了一些检查CUDA是否运行成功的函数、还有就是定义了几个宏

下面对其进行介绍:
// 定义给定类的前向和反向(GPU和CPU)传播的函数定义
#define STUB_GPU(classname) \
template <typename Dtype> \
void classname<Dtype>::Forward_gpu(const vector<Blob<Dtype>*>& bottom, \
    const vector<Blob<Dtype>*>& top) { NO_GPU; } \
template <typename Dtype> \
void classname<Dtype>::Backward_gpu(const vector<Blob<Dtype>*>& top, \
    const vector<bool>& propagate_down, \
    const vector<Blob<Dtype>*>& bottom) { NO_GPU; } \

#define STUB_GPU_FORWARD(classname, funcname) \
template <typename Dtype> \
void classname<Dtype>::funcname##_##gpu(const vector<Blob<Dtype>*>& bottom, \
    const vector<Blob<Dtype>*>& top) { NO_GPU; } \

#define STUB_GPU_BACKWARD(classname, funcname) \
template <typename Dtype> \
void classname<Dtype>::funcname##_##gpu(const vector<Blob<Dtype>*>& top, \
    const vector<bool>& propagate_down, \
    const vector<Blob<Dtype>*>& bottom) { NO_GPU; } \
CUDA检查的宏:
// CUDA: various checks for different function calls.
#define CUDA_CHECK(condition) \
  /* Code block avoids redefinition of cudaError_t error */ \
  do { \
    cudaError_t error = condition; \
    CHECK_EQ(error, cudaSuccess) << " " << cudaGetErrorString(error); \
  } while (0)

#define CUBLAS_CHECK(condition) \
  do { \
    cublasStatus_t status = condition; \
    CHECK_EQ(status, CUBLAS_STATUS_SUCCESS) << " " \
      << caffe::cublasGetErrorString(status); \
  } while (0)

#define CURAND_CHECK(condition) \
  do { \
    curandStatus_t status = condition; \
    CHECK_EQ(status, CURAND_STATUS_SUCCESS) << " " \
      << caffe::curandGetErrorString(status); \
  } while (0)

// CUDA: grid stride looping
#define CUDA_KERNEL_LOOP(i, n) \
  for (int i = blockIdx.x * blockDim.x + threadIdx.x; \
       i < (n); \
       i += blockDim.x * gridDim.x)

四、总结

Layer的设计主要就是SetUp、Forward、Backward函数(层一开始的时候的设置、然后就是前传和反传)
这其中的SetUp的实现又依赖于CheckBlobCounts、LayerSetUp、Reshape等的实现。这其中Reshape又是必须要实现的,因为它是纯虚函数
这其中的Forward中又依赖于Forward_cpu、Forward_gpu,这其中Forward_cpu又是必须要实现的。
这其中的Backward中又依赖于Backward_cpu、Backward_gpu,这其中Backward_cpu 又是必须要实现的。

参考:

你可能需要了解一下多层感知机的前向传播和反向传播。
具体可以参考UFLDL的相关知识。
版权声明:本文为博主原创文章,未经博主允许不得转载。

【2】深度学习之排头大兵:Caffe

Caffe: C++ 作者:Gein Chen 链接:https://www.zhihu.com/question/27982282/answer/80242005 来源:知乎 著作权归作者所有。...
  • u011411283
  • u011411283
  • 2016年05月27日 09:38
  • 436

caffe源码学习(四) layer

根据caffe官网教程我们知道,caffe是通过层来定义网络的,layer既是model基础,也是计算的基本单元。而layer的操作对象就是之前学习的Blob。以后像在caffe框架下实现自己的算法,...
  • u011104550
  • u011104550
  • 2016年04月26日 12:04
  • 3501

caffe layer层详解

1、基本的layer定义,参数1、基本的layer定义,参数如何利用caffe定义一个网络,首先要了解caffe中的基本接口,下面分别对五类layer进行介绍Vision Layers可视化层来自于头...
  • swfa1
  • swfa1
  • 2015年07月09日 11:24
  • 12339

如何在caffe中添加新的Layer

本文分为两部分,先写一个入门的教程,然后再给出自己添加maxout与NIN的layer的方法...
  • kuaitoukid
  • kuaitoukid
  • 2014年12月11日 15:37
  • 42564

caffe layer 介绍

原文地址:http://demo.netfoucs.com/danieljianfeng/article/details/42929283 1. Vision Layers 1.1 卷积层(...
  • zr459927180
  • zr459927180
  • 2016年01月24日 21:20
  • 1368

Caffe 代码解读之 softmax layer

转自http://zhangliliang.com/2015/05/27/about-caffe-code-softmax-loss-layer/ 关于softmax回归 看过最清晰的关于so...
  • bailufeiyan
  • bailufeiyan
  • 2016年03月13日 18:57
  • 5439

caffe源码 之 layer类

综述::layer.hpp定义了layer的基类,其他例如:loss_layer,data_layer,vision_layer都是在这个layer类的基础上继承的,他们分别实现了基类layer中的一...
  • lanxueCC
  • lanxueCC
  • 2016年11月03日 17:01
  • 1309

Cafe的一些记录

Blob   a. BLOB是一个四维存储单元,分别是num,channels,height,width b. 但对于全连接网络,使用2D blobs (shape (N, D)),然后调用In...
  • wzdjsgf
  • wzdjsgf
  • 2017年07月06日 11:14
  • 227

caffe中的layers

0. 引子 自从半年前开始进入418实验室研究深度学习,可以说caffe这一深度学习开源框架,一直伴随着我。经过了大半年的学习,虽然还有许多东西尚待完善,但起码对于caffe已经有了一个比较感性的认...
  • u013087984
  • u013087984
  • 2016年07月25日 21:15
  • 389

Caffe中Layer_factory详解

Layer_factory.hppLayer_factory的主要作用是负责Layer的注册,已经注册完事的Layer在运行时可以通过传递一个 LayerParameter 给 CreaterLaye...
  • JWMNEU
  • JWMNEU
  • 2015年12月21日 17:54
  • 4370
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:caffe代码阅读5:Layer的实现细节-2016.3.17
举报原因:
原因补充:

(最多只允许输入30个字)