Caffe代码阅读8：absval_layer层的实现

这一层比较简单：主要就是求绝对值，反传部分的代码也很简单

里头用到了caffe_abs这个函数以及caffe_cpu_sign这两个函数

需要注意的是caffe_cpu_sign在math_functions.hpp里头定义得比较特别

在math_functions.hpp里只有caffe_sign，通过一个宏定义生成了caffe_cpu_sign这个函数

整体来说没啥特别的内容，直接上代码吧。

[cpp]  view plain  copy

 

1. #include <vector>  
2.   
3. #include "caffe/layers/absval_layer.hpp"  
4. #include "caffe/util/math_functions.hpp"  
5.   
6. namespace caffe {  
7.   
8. template <typename Dtype>  
9. void AbsValLayer<Dtype>::LayerSetUp(const vector<Blob<Dtype>*>& bottom,  
10.       const vector<Blob<Dtype>*>& top) {  
11.   NeuronLayer<Dtype>::LayerSetUp(bottom, top);  
12.   CHECK_NE(top[0], bottom[0]) << this->type() << " Layer does not "  
13.     "allow in-place computation.";  
14. }  
15.   
16. template <typename Dtype>  
17. void AbsValLayer<Dtype>::Forward_cpu(  
18.     const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {  
19.   const int count = top[0]->count();  
20.   Dtype* top_data = top[0]->mutable_cpu_data();  
21.   caffe_abs(count, bottom[0]->cpu_data(), top_data);  
22. }  
23.   
24. template <typename Dtype>  
25. void AbsValLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,  
26.     const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom) {  
27.   const int count = top[0]->count();  
28.   // 前面一层关于本层top的偏导  
29.   const Dtype* top_diff = top[0]->cpu_diff();  
30.   if (propagate_down[0]) {  
31.     const Dtype* bottom_data = bottom[0]->cpu_data();  
32.     Dtype* bottom_diff = bottom[0]->mutable_cpu_diff();  
33.     // 将bottom_data里头的每个元素的正负值复制到bottom_diff  
34.     caffe_cpu_sign(count, bottom_data, bottom_diff);  
35.     // 计算偏导数计算关于本层bottom的偏导  
36.     // 将关于top的偏导乘以当前层bottom中每个数据的符号  
37.     caffe_mul(count, bottom_diff, top_diff, bottom_diff);  
38.   }  
39. }  
40.   
41. #ifdef CPU_ONLY  
42. STUB_GPU(AbsValLayer);  
43. #endif  
44.   
45. INSTANTIATE_CLASS(AbsValLayer);  
46. REGISTER_LAYER_CLASS(AbsVal);  
47.   
48. }  // namespace caffe