本系列为darknet源码解析,本次解析src/route_layer.h 与 src/route_layer.c 两个。在yolo v2中reorg_layer主要将几个输入层拼接在一起,例如:输入层1: 26*26*256 输入层2: 26*26*128, 则route输出为:26*26*(256+128);
route_layer.h 的定义如下:
#ifndef ROUTE_LAYER_H
#define ROUTE_LAYER_H
#include "network.h"
#include "layer.h"
typedef layer route_layer;
// 构建yolo v2 route层
route_layer make_route_layer(int batch, int n, int *input_layers, int *input_size);
// yolo v2 route层的前向,反向传播
void forward_route_layer(const route_layer l, network net);
void backward_route_layer(const route_layer l, network net);
void resize_route_layer(route_layer *l, network *net);
#ifdef GPU
void forward_route_layer_gpu(const route_layer l, network net);
void backward_route_layer_gpu(const route_layer l, network net);
#endif
#endif
route_layer.c 的详细解释如下:
#include "route_layer.h"
#include "cuda.h"
#include "blas.h"
#include <stdio.h>
/**
* 构建route层
* 说明: route层主要是把对应层连接在一起,在darknet网络结构中,要求输入层对应的width,height必须相等,
* 如果不相等,则把route层的输出w, h, c都设置为0.
* 例子:输入层1: 26*26*256 输入层2: 26*26*128, 则route输出为:26*26*(256+128)
* route层具有可以具有一个或两个值的属性层。当属性只有一个值时,它会输出该值索引的网络层的特征图。
* @param batch 一个batch中包含图片的张数
* @param n route层输入层的个数
* @param input_layers 输入层的层号
* @param input_sizes 输入层的大小
* @return
*/
route_layer make_route_layer(int batch, int n, int *input_layers, int *input_sizes)
{
fprintf(stderr,"route ");
route_layer l = {0};
l.type = ROUTE; // 层类别
l.batch = batch; // 一个batch中包含图片的张数
l.n = n; // route输入层的个数
l.input_layers = input_layers; // 输入层的层号
l.input_sizes = input_sizes; // 输入层的大小
int i;
int outputs = 0;
for(i = 0; i < n; ++i){
fprintf(stderr," %d", input_layers[i]);
outputs += input_sizes[i]; // 计算route层输入输出大小,route层不改变输入输出元素
}
fprintf(stderr, "\n");
l.outputs = outputs; // route层一张输入图片的元素个数
l.inputs = outputs; // route层对应一张输入图片的输出元素个数
l.delta = calloc(outputs*batch, sizeof(float)); // route层的误差项(包含整个batch的)
l.output = calloc(outputs*batch, sizeof(float)); // route层的所有输出(包含整个batch的)
// route层的前向,反向
l.forward = forward_route_layer;
l.backward = backward_route_layer;
#ifdef GPU
l.forward_gpu = forward_route_layer_gpu;
l.backward_gpu = backward_route_layer_gpu;
l.delta_gpu = cuda_make_array(l.delta, outputs*batch);
l.output_gpu = cuda_make_array(l.output, outputs*batch);
#endif
return l;
}
void resize_route_layer(route_layer *l, network *net)
{
int i;
layer first = net->layers[l->input_layers[0]];
l->out_w = first.out_w;
l->out_h = first.out_h;
l->out_c = first.out_c;
l->outputs = first.outputs;
l->input_sizes[0] = first.outputs;
for(i = 1; i < l->n; ++i){
int index = l->input_layers[i];
layer next = net->layers[index];
l->outputs += next.outputs;
l->input_sizes[i] = next.outputs;
if(next.out_w == first.out_w && next.out_h == first.out_h){
l->out_c += next.out_c;
}else{
printf("%d %d, %d %d\n", next.out_w, next.out_h, first.out_w, first.out_h);
l->out_h = l->out_w = l->out_c = 0;
}
}
l->inputs = l->outputs;
l->delta = realloc(l->delta, l->outputs*l->batch*sizeof(float));
l->output = realloc(l->output, l->outputs*l->batch*sizeof(float));
#ifdef GPU
cuda_free(l->output_gpu);
cuda_free(l->delta_gpu);
l->output_gpu = cuda_make_array(l->output, l->outputs*l->batch);
l->delta_gpu = cuda_make_array(l->delta, l->outputs*l->batch);
#endif
}
/**
* route层前向传播函数
* @param l 当前route层
* @param net 整个网络
*/
void forward_route_layer(const route_layer l, network net)
{
int i, j;
int offset = 0;
for(i = 0; i < l.n; ++i){ // 遍历每个route层的输入层
int index = l.input_layers[i]; // 获得输入层的编号index
float *input = net.layers[index].output; //根据index获取该层的输出,作为route的输入
int input_size = l.input_sizes[i]; // 元素个数
for(j = 0; j < l.batch; ++j){ // 拼凑batch张特征图
// l.output + offset + j*l.outputs = input + j*input_size
copy_cpu(input_size, input + j*input_size, 1, l.output + offset + j*l.outputs, 1);
}
offset += input_size; // 计算位置偏移量
}
}
/**
* route层反向传播函数
* @param l 当前route层
* @param net 整个网络
*/
void backward_route_layer(const route_layer l, network net)
{
int i, j;
int offset = 0;
for(i = 0; i < l.n; ++i){ // 遍历每个route层的输入层
int index = l.input_layers[i]; // 获得输入层的编号index
float *delta = net.layers[index].delta; //根据index获取该层的误差项存储位置,作为route的反向传播的输出
int input_size = l.input_sizes[i]; // 元素个数
for(j = 0; j < l.batch; ++j){
// delta + j*input_size += l.delta + offset + j*l.outputs
axpy_cpu(input_size, 1, l.delta + offset + j*l.outputs, 1, delta + j*input_size, 1);
}
offset += input_size; // 计算位置偏移量
}
}
#ifdef GPU
void forward_route_layer_gpu(const route_layer l, network net)
{
int i, j;
int offset = 0;
for(i = 0; i < l.n; ++i){
int index = l.input_layers[i];
float *input = net.layers[index].output_gpu;
int input_size = l.input_sizes[i];
for(j = 0; j < l.batch; ++j){
copy_gpu(input_size, input + j*input_size, 1, l.output_gpu + offset + j*l.outputs, 1);
}
offset += input_size;
}
}
void backward_route_layer_gpu(const route_layer l, network net)
{
int i, j;
int offset = 0;
for(i = 0; i < l.n; ++i){
int index = l.input_layers[i];
float *delta = net.layers[index].delta_gpu;
int input_size = l.input_sizes[i];
for(j = 0; j < l.batch; ++j){
axpy_gpu(input_size, 1, l.delta_gpu + offset + j*l.outputs, 1, delta + j*input_size, 1);
}
offset += input_size;
}
}
#endif
完,