darknet C源码解读--训练部分

darknet编译好以后相应的代码存放在

root/examples/和root/src/中

examples里面关注darknet.c和yolo.c

其实最后都指向yolo.c

yolo.c中的run_yolo函数会根据指令分成测试，训练等，我主要关注训练，可以看到它指向了

yolo.c的train_yolo函数

这个函数指向了src中的network.c中的train_network函数

这个函数中调用了network.c的train_network_dotum函数

在训练的时候调用了forward_network和backward_network函数

先说前向传递forward_network，它指向了yolo_layer.c的forward_yolo_layer函数。

这个函数是整个yolo_layer.c中最重要的函数，它一方面完成了相应值的激活，一方面计算了相应位置的梯度和损失。

首先是激活：

在该位置只激活了（x,y）和置信度（confidence）和类别概率（C1,C2,C3,...）

接着开始遍历每个预测得到的bbox，每个bbox先去和标签GT遍历，找到与之匹配的gt（取IOU最大）。完成以后所有的预测框都有了匹配的gt，但不是所有的gt都有与之匹配的预测框。接下来计算梯度，这里面有两个阈值，大于第一个阈值不计算梯度。大于第二个阈值，计算位置和类别梯度。然后遍历完所有的预测框后，开始遍历所有的GT。

对于每一个GT，首先匹配先先验框，其实就是确定哪一个位置的cell负责预测那个gt的种类和位置。

然后再去和每个预测框进行遍历，找到最大的IOU。再计算梯度。遍历完成，计算损失。

至此，前向传递完成，然后进行反向传递。因为相应的梯度已经计算完成，所以直接调用函数(network.c)的backward_network函数，这个函数调用(yolo_layer.c)的backward_yolo_layer函数，这个函数就直接调用一个底层传递函数axpy_cpu，这个函数在src/blas.c中

以上就是整个训练过程了。具体需要参照代码进行比对。