caffe源码分析:blob.hpp分析

文件路径：caffe-master_github/include/caffe/
如果想对blob有详细了解，参考Caffe官网教程：http://caffe.berkeleyvision.org/tutorial/net_layer_blob.html

---

以下摘自互联网：
Blob作为Caffe的四大模块之一，负责完成CPU/GPU存储申请、同步和数据持久化映射。Caffe内部数据存储和通讯都是通过Blob来完成，Blob提供统一的存储操作接口，可用来保存训练数据、模型参数等。Blob是一个高维连续数组，批处理图像数据时通常使用4维Blob，Blob的维度可以表示为(N, K, H, W)，每个维度的意思分别是：

• N: 数据的个数，例如SGD时一次mini-batch的图像个数。
• K: 如果是图像，可以理解为通道数量；如果是网络中间结果，就是feature map的数量。
• H, W： 如果是图像数据，可以理解为图像的高度和宽度；如果是参数数据，可以理解为滤波核的高度和宽度。

Caffe中通常只使用4维Blob完成图像应用，但是Blob完全可以合理地被用来存储任何数据，比如说学习到的参数。
例如：

• 1000幅640*480 RGBD图像数据，其Blob形状为(1000, 4, 480, 640)。
• 96个大小11*11的滤波核，处理16通道的输入数据，其参数Blob的形状为(96，16，11，11)。
• 1000个输出，1024个输入的全连接层，其参数Blob的形状为(1000，1024)。

blob.hpp：
数据成员：

protected： 
shared_ptr<SyncedMemory> data_; //存放数据 
shared_ptr<SyncedMemory> diff_; //存放梯度
shared_ptr<SyncedMemory> shape_data_; 
vector<int> shape_;//shape_是Blob维度参数 
int count_;//count表示Blob存储的元素个数（shape_所有元素乘积） 
int capacity_;//capacity_表示当前Blob的元素个数（控制动态分配）

构造函数：
默认构造函数完成最基本的初始化，两个显示构造函数会调用Reshape函数完成data_和diff_的共享内存对象SyncedMemory的申请。

const Dtype* cpu_data() const; //cpu使用的数据
void set_cpu_data(Dtype* data); //用数据块的值来blob里面的data
const int* gpu_shape() const;
const Dtype* gpu_data() const; //返回不可更改的指针，下同
const Dtype* cpu_diff() const;
const Dtype* gpu_diff() const;
Dtype* mutable_cpu_data(); //返回可更改的指针，下同
Dtype* mutable_gpu_data();
Dtype* mutable_cpu_diff();
Dtype* mutable_gpu_diff();

总之，带mutable_开头的意味着可以对返回的指针内容进行更改，而不带mutable_开头的返回const 指针，不能对其指针的内容进行修改
Reshape函数：

void Reshape(const vector<int>& shape);//主要完成数据成员shape_,shape_data_,count_,capacity_，data_，diff_最基本的初始化工作，主要包括内存分配，含初始化。
void Reshape(const BlobShape& shape);//特别是完成data_，diff_的共享内存对象SyncedMemory的申请。