A Discriminative Feature Learning Approach for Deep Face Recognition 的源码部分分析

前一篇文章介绍了centerloss的训练过程，以及结果。本文分析一下CenterLoss的源码部分。同时这也是在caffe中添加新的一层的方法。（本文时特例添加loss层）

宏观感受

先来看看作者对一个刚从github上拉下来的caffe做了哪些改动。

step1: 修改caffe.proto

vim caffe/src/caffe/proto/caffe.proto
图为未修改之前LayerParameter的配置

 // 1-修改如下注释
 //Update the next available ID when you add a new LayerParameter field

 //LayerParameter next available layer-specific ID: 148 (last added: center_loss_param)
 //其中148 这个数字得注意。 caffe的LayerParameter中新定义下一个变量的ID：147. 我们新加入一个变量后，下一个新加入的变量ID：148.

 // 2-添加如下代码 在LayerParameter中
 optional CenterLossParameter center_loss_param = 147;

 // 3-在caffe.proto 最末尾添加自己定义层

message CenterLossParameter {
  optional uint32 num_output = 1; // The number of outputs for the layer
  optional FillerParameter center_filler = 2; // The filler for the centers
  optional int32 axis = 3 [default = 1]; //default = 1 相当于c++总的缺省初始化值。 
}                
/* 标签数字1和2，3表示不同的字段在序列化后的二进制数据中的布局位置。在该例中，center_filler字段编码后的数据一定位于num_output后。需要注意的是该值在同一message中不能重复。*/
// 说白了，1，2，3代表了他们编码之后的顺序，小号在前，大号在后。

最近一周会更新完毕！！