Original url:
http://alanse7en.github.io/caffedai-ma-jie-xi-4/
本文将主要分为四部分的内容:
Solver
的初始化(Register宏和构造函数)SIGINT
和SIGHUP
信号的处理Solver::Solve()
具体实现SGDSolver::ApplyUpdate
具体实现
Solver的初始化(Register宏和构造函数)
shared_ptr<caffe::Solver<float> >
solver(caffe::SolverRegistry<float>::CreateSolver(solver_param));
caffe.cpp中的train函数中通过上面的代码定义了一个指向Solver<float>
的shared_ptr。其中主要是通过调用SolverRegistry
这个类的静态成员函数CreateSolver
得到一个指向Solver
的指针来构造shared_ptr类型的solver
。而且由于C++多态的特性,尽管solver
是一个指向基类Solver
类型的指针,通过solver
这个智能指针来调用各个成员函数会调用到各个子类(SGDSolver
等)的函数。具体的过程如下面的流程图所示:
![](https://i-blog.csdnimg.cn/blog_migrate/0efaa348cd178637cb520c1981a68108.png)
下面我们就来具体看一下SolverRegistry
这个类的代码,以便理解是如何通过同一个函数得到不同类型的Solver:
1 class SolverRegistry {
2 public:
3 typedef Solver<Dtype>* (*Creator)(const SolverParameter&);
4 typedef std::map<string, Creator> CreatorRegistry;
5 static CreatorRegistry& Registry() {
6 static CreatorRegistry* g_registry_ = new CreatorRegistry();
7 return *g_registry_;
8 }
9 static void AddCreator(const string& type, Creator creator) {
10 CreatorRegistry& registry = Registry();
11 CHECK_EQ(registry.count(type), 0)
12 << "Solver type " << type << " already registered.";
13 registry[type] = creator;
14 }
15 static Solver<Dtype>* CreateSolver(const SolverParameter& param) {
16 const string& type = param.type();
17 CreatorRegistry& registry = Registry();
18 CHECK_EQ(registry.count(type), 1) << "Unknown solver type: " << type
19 << " (known types: " << SolverTypeListString() << ")";
20 return registry[type](param);
21 }
22 static vector<string> SolverTypeList() {
23 CreatorRegistry& registry = Registry();
24 vector<string> solver_types;
25 for (typename CreatorRegistry::iterator iter = registry.begin();
26 iter != registry.end(); ++iter) {
27 solver_types.push_back(iter->first);
28 }
29 return solver_types;
30 }
31 private:
32 SolverRegistry() {}
33 static string SolverTypeListString() {
34 vector<string> solver_types = SolverTypeList();
35 string solver_types_str;
36 for (vector<string>::iterator iter = solver_types.begin();
37 iter != solver_types.end(); ++iter) {
38 if (iter != solver_types.begin()) {
39 solver_types_str += ", ";
40 }
41 solver_types_str += *iter;
42 }
43 return solver_types_str;
44 }
45 };
首先需要注意的是这个类的构造函数是private的,也就是用我们没有办法去构造一个这个类型的变量,这个类也没有数据成员,所有的成员函数也都是static的,可以直接调用。
我们首先从CreateSolver
函数(第15行)入手,这个函数先定义了string类型的变量type,表示Solver的类型(‘SGD’/’Nestrov’等),然后定义了一个key类型为string,value类型为Creator
的map:registry,其中Creator
是一个函数指针类型,指向的函数的参数为SolverParameter
类型,返回类型为Solver<Dtype>*
(见第2行和第3行)。如果是一个已经register过的Solver类型,那么registry.count(type)
应该为1,然后通过registry这个map返回了我们需要类型的Solver的creator,并调用这个creator函数,将creator返回的Solver<Dtype>*
返回。
上面的代码中,Registry
这个函数(第5行)中定义了一个static的变量g_registry,这个变量是一个指向CreatorRegistry
这个map类型的指针,然后直接返回,因为这个变量是static的,所以即使多次调用这个函数,也只会定义一个g_registry,而且在其他地方修改这个map里的内容,是存储在这个map中的。事实上各个Solver的register的过程正是往g_registry指向的那个map里添加以Solver的type为key,对应的Creator函数指针为value的内容。Register的过程如流程图所示:
![](https://i-blog.csdnimg.cn/blog_migrate/77688849544c0dfe4c79c1115034527d.png)
下面我们具体来看一下Solver的register的过程:
1 template <typename Dtype>
2 class SolverRegisterer {
3 public:
4 SolverRegisterer(const string& type,
5 Solver<Dtype>* (*creator)(const SolverParameter&)) {
6 // LOG(INFO) << "Registering solver type: " << type;
7 SolverRegistry<Dtype>::AddCreator(type, creator);
8 }
9 };
10 #define REGISTER_SOLVER_CREATOR(type, creator) \
11 static SolverRegisterer<float> g_creator_f_##type(#type, creator<float>); \
12 static SolverRegisterer<double> g_creator_d_##type(#type, creator<double>) \
13
14 #define REGISTER_SOLVER_CLASS(type) \
15 template <typename Dtype> \
16 Solver<Dtype>* Creator_##type##Solver( \
17 const SolverParameter& param) \
18 { \
19 return new type##Solver<Dtype>(param); \
20 } \
21 REGISTER_SOLVER_CREATOR(type, Creator_##type##Solver)
22 }
23 // register SGD Solver
24 REGISTER_SOLVER_CLASS(SGD);
在sgd_solver.cpp(SGD Solver对应的cpp文件)末尾有上面第24行的代码,使用了REGISTER_SOLVER_CLASS
这个宏,这个宏会定义一个名为Creator_SGDSolver
的函数,这个函数即为Creator
类型的指针指向的函数,在这个函数中调用了SGDSolver
的构造函数,并将构造的这个变量得到的指针返回,这也就是Creator类型函数的作用:构造一个对应类型的Solver对象,将其指针返回。然后在这个宏里又调用了REGISTER_SOLVER_CREATOR
这个宏,这里分别定义了SolverRegisterer
这个模板类的float和double类型的static变量,这会去调用各自的构造函数,而在SolverRegisterer
的构造函数中调用了之前提到的SolverRegistry
类的AddCreator
函数,这个函数就是将刚才定义的Creator_SGDSolver
这个函数的指针存到g_registry指向的map里面。类似地,所有的Solver对应的cpp文件的末尾都调用了这个宏来完成注册,在所有的Solver都注册之后,我们就可以通过之前描述的方式,通过g_registry得到对应的Creator函数的指针,并通过调用这个Creator函数来构造对应的Solver。Register和Create对应的流程图如下所示:
SIGINT
和SIGHUP
信号的处理
Caffe在train或者test的过程中都有可能会遇到系统信号(用户按下ctrl+c或者关掉了控制的terminal),我们可以通过对sigint_effect
和sighup_effect
来设置遇到系统信号的时候希望进行的处理方式:
caffe train –solver=/path/to/solver.prototxt –sigint_effect=EFFECT –sighup_effect=EFFECT
在caffe.cpp中定义了一个GetRequesedAction函数来将设置的string类型的标志转变为枚举类型的变量:
1 caffe::SolverAction::Enum GetRequestedAction(
2 const std::string& flag_value) {
3 if (flag_value == "stop") {
4 return caffe::SolverAction::STOP;
5 }
6 if (flag_value == "snapshot") {
7 return caffe::SolverAction::SNAPSHOT;
8 }
9 if (flag_value == "none") {
10 return caffe::SolverAction::NONE;
11 }
12 LOG(FATAL) << "Invalid signal effect \""<< flag_value << "\" was specified";
13 }
14 // SolverAction::Enum的定义
15 namespace SolverAction {
16 enum Enum {
17 NONE = 0, // Take no special action.
18 STOP = 1, // Stop training. snapshot_after_train controls whether a
19 // snapshot is created.
20 SNAPSHOT = 2 // Take a snapshot, and keep training.
21 };
22 }
其中SolverAction::Enum的定义在solver.hpp中,这是一个定义为枚举类型的数据类型,只有三个可能的值,分别对应了三种处理系统信号的方式:NONE(忽略信号什么都不做)/STOP(停止训练)/SNAPSHOT(保存当前的训练状态,继续训练)。在caffe.cpp中的train函数里Solver设置如何处理系统信号的代码为:
1 caffe::SignalHandler signal_handler(
2 GetRequestedAction(FLAGS_sigint_effect),
3 GetRequestedAction(FLAGS_sighup_effect));
4
5 solver->SetActionFunction(signal_handler.GetActionFunction());
FLAGS_sigint_effect和FLAGS_sighup_effect是通过gflags定义和解析的两个Command Line Interface的输入参数,分别对应遇到sigint和sighup信号的处理方式,如果用户不设定(大部分时候我自己就没设定),sigint的默认值为”stop”,sighup的默认值为”snapshot”。GetRequestedAction
函数会将string类型的FLAGS_xx转为SolverAction::Enum类型,并用来定义一个SignalHandler
类型的对象signal_handler。我们可以看到这部分代码都依赖于SignalHandler
这个类的接口,我们先来看看这个类都做了些什么:
1 // header file
2 class SignalHandler {
3 public:
4 // Contructor. Specify what action to take when a signal is received.
5 SignalHandler(SolverAction::Enum SIGINT_action,
6 SolverAction::Enum SIGHUP_action);
7 ~SignalHandler();
8 ActionCallback GetActionFunction();
9 private:
10 SolverAction::Enum CheckForSignals() const;
11 SolverAction::Enum SIGINT_action_;
12 SolverAction::Enum SIGHUP_action_;
13 };
14 // source file
15 SignalHandler::SignalHandler(SolverAction::Enum SIGINT_action,
16 SolverAction::Enum SIGHUP_action):
17 SIGINT_action_(SIGINT_action),
18 SIGHUP_action_(SIGHUP_action) {
19 HookupHandler();
20 }
21 void HookupHandler() {
22 if (already_hooked_up) {
23 LOG(FATAL) << "Tried to hookup signal handlers more than once.";
24 }
25 already_hooked_up = true;
26 struct sigaction sa;
27 sa.sa_handler = &handle_signal;
28 // ...
29 }
30 static volatile sig_atomic_t got_sigint = false;
31 static volatile sig_atomic_t got_sighup = false;
32 void handle_signal(int signal) {
33 switch (signal) {
34 case SIGHUP:
35 got_sighup = true;
36 break;
37 case SIGINT:
38 got_sigint = true;
39 break;
40 }
41 }
42 ActionCallback SignalHandler::GetActionFunction() {
43 return boost::bind(&SignalHandler::CheckForSignals, this);
44 }
45 SolverAction::Enum SignalHandler::CheckForSignals() const {
46 if (GotSIGHUP()) {
47 return SIGHUP_action_;
48 }
49 if (GotSIGINT()) {
50 return SIGINT_action_;
51 }
52 return SolverAction::NONE;
53 }
54 bool GotSIGINT() {
55 bool result = got_sigint;
56 got_sigint = false;
57 return result;
58 }
59 bool GotSIGHUP() {
60 bool result = got_sighup;
61 got_sighup = false;
62 return result;
63 }
64 // ActionCallback的含义
65 typedef boost::function<SolverAction::Enum()> ActionCallback;
SignalHandler
这个类有两个数据成员,都是SolverAction::Enum
类型的,分别对应sigint和sighup信号,在构造函数中,用解析FLAGS_xx得到的结果分别给两个成员赋值,然后调用了HookupHandler
函数,这个函数的主要作用是定义了一个sigaction
类型(应该是系统级别的代码)的对象sa,然后通过sa.sa_handler = &handle_signal来设置,当有遇到系统信号时,调用handle_signal
函数来处理,而我们可以看到这个函数的处理很简单,就是判断一下当前的信号是什么类型,如果是sigint就将全局的static变量got_sigint变为true,sighup的处理类似。
在根据用户设置(或者默认值)的参数定义了signal_handler之后,solver通过SetActionFunction
来设置了如何处理系统信号。这个函数的输入为signal_handler的GetActionFunction
的返回值,根据上面的代码我们可以看到,GetActionFunction
会返回signal_handler这个对象的CheckForSignals函数的地址(boost::bind的具体使用请参考boost官方文档)。而在Solver
的SetActionFunction
函数中只是简单的把Solver
的一个成员action_request_function_赋值为输入参数的值,以当前的例子来说就是,solver对象的action_request_function_指向了signal_handler对象的CheckForSignals函数的地址。其中的ActionCallback是一个函数指针类型,指向了参数为空,返回值为SolverAction::Enum类型的函数(boost::function具体用法参考官方文档)。
总结起来,我们通过定义一个SignalHandler
类型的对象,告知系统在遇到系统信号的时候回调handle_signal
函数来改变全局变量got_sigint和got_sighup的值,然后通过Solver
的接口设置了其遇到系统函数将调用signal_handler的Check函数,这个函数实际上就是去判断当前是否遇到了系统信号,如果遇到某个类型的信号,就返回我们之前设置的处理方式(SolverAction::Enum
类型)。剩余的具体处理再交给Solver
的其它函数,后面会具体分析。
Solver::Solve()
具体实现
Solve
函数实现了具体的网络的优化过程,下面我们来具体分析一下这部分的代码,分析见注释:
1 void Solver<Dtype>::Solve(const char* resume_file) {
2 // 检查当前是否是root_solver(多GPU模式下,只有root_solver才运行这一部分的代码)
3 CHECK(Caffe::root_solver());
4 // 然后输出learning policy(更新学习率的策略)
5 LOG(INFO) << "Solving " << net_->name();
6 LOG(INFO) << "Learning Rate Policy: " << param_.lr_policy();
7 // requested_early_exit_`一开始被赋值为false,也就是现在没有要求在优化结束前退出
8 requested_early_exit_ = false;
9 // 判断`resume_file`这个指针是否NULL,如果不是则需要从resume_file存储的路径里读取之前训练的状态
10 if (resume_file) {
11 LOG(INFO) << "Restoring previous solver status from " << resume_file;
12 Restore(resume_file);
13 }
14 // 然后调用了'Step'函数,这个函数执行了实际的逐步的迭代过程
15 Step(param_.max_iter() - iter_);
16 // 迭代结束或者遇到系统信号提前结束后,判断是否需要在训练结束之后snapshot
17 // 这个可以在solver.prototxt里设置
18 if (param_.snapshot_after_train()
19 && (!param_.snapshot() || iter_ % param_.snapshot() != 0)) {
20 Snapshot();
21 }
22 // 如果在`Step`函数的迭代过程中遇到了系统信号,且我们的处理方式设置为`STOP`,
23 // 那么`requested_early_exit_`会被修改为true,迭代提前结束,输出相关信息
24 if (requested_early_exit_) {
25 LOG(INFO) << "Optimization stopped early.";
26 return;
27 }
28 // 判断是否需要输出最后的loss
29 if (param_.display() && iter_ % param_.display() == 0) {
30 Dtype loss;
31 net_->ForwardPrefilled(&loss);
32 LOG(INFO) << "Iteration " << iter_ << ", loss = " << loss;
33 }
34 // 判断是否需要最后Test
35 if (param_.test_interval() && iter_ % param_.test_interval() == 0) {
36 TestAll();
37 }
38 LOG(INFO) << "Optimization Done.";
39 }
下面继续分析具体的迭代过程发生的Step
函数:
1 template <typename Dtype>
2 void Solver<Dtype>::Step(int iters) {
3 vector<Blob<Dtype>*> bottom_vec;
4 // 设置开始的迭代次数(如果是从之前的snapshot恢复的,那iter_等于snapshot时的迭代次数)和结束的迭代次数
5 const int start_iter = iter_;
6 const int stop_iter = iter_ + iters;
7 // 输出的loss为前average_loss次loss的平均值,在solver.prototxt里设置,默认为1,
8 // losses存储之前的average_loss个loss,smoothed_loss为最后要输出的均值
9 int average_loss = this->param_.average_loss();
10 vector<Dtype> losses;
11 Dtype smoothed_loss = 0;
12 // 迭代
13 while (iter_ < stop_iter) {
14 // 清空上一次所有参数的梯度
15 net_->ClearParamDiffs();
16 // 判断是否需要测试
17 if (param_.test_interval() && iter_ % param_.test_interval() == 0
18 && (iter_ > 0 || param_.test_initialization())
19 && Caffe::root_solver()) {
20 TestAll();
21 // 判断是否需要提前结束迭代
22 if (requested_early_exit_) {
23 break;
24 }
25 }
26 for (int i = 0; i < callbacks_.size(); ++i) {
27 callbacks_[i]->on_start();
28 }
29 // 判断当前迭代次数是否需要显示loss等信息
30 const bool display = param_.display() && iter_ % param_.display() == 0;
31 net_->set_debug_info(display && param_.debug_info());
32 Dtype loss = 0;
33 // iter_size也是在solver.prototxt里设置,实际上的batch_size=iter_size*网络定义里的batch_size,
34 // 因此每一次迭代的loss是iter_size次迭代的和,再除以iter_size,这个loss是通过调用`Net::ForwardBackward`函数得到的
35 // 这个设置我的理解是在GPU的显存不够的时候使用,比如我本来想把batch_size设置为128,但是会out_of_memory,
36 // 借助这个方法,可以设置batch_size=32,iter_size=4,那实际上每次迭代还是处理了128个数据
37 for (int i = 0; i < param_.iter_size(); ++i) {
38 loss += net_->ForwardBackward(bottom_vec);
39 }
40 loss /= param_.iter_size();
41 // 计算要输出的smoothed_loss,如果losses里还没有存够average_loss个loss则将当前的loss插入,如果已经存够了,则将之前的替换掉
42 if (losses.size() < average_loss) {
43 losses.push_back(loss);
44 int size = losses.size();
45 smoothed_loss = (smoothed_loss * (size - 1) + loss) / size;
46 } else {
47 int idx = (iter_ - start_iter) % average_loss;
48 smoothed_loss += (loss - losses[idx]) / average_loss;
49 losses[idx] = loss;
50 }
51 // 输出当前迭代的信息
52 if (display) {
53 LOG_IF(INFO, Caffe::root_solver()) << "Iteration " << iter_
54 << ", loss = " << smoothed_loss;
55 const vector<Blob<Dtype>*>& result = net_->output_blobs();
56 int score_index = 0;
57 for (int j = 0; j < result.size(); ++j) {
58 const Dtype* result_vec = result[j]->cpu_data();
59 const string& output_name =
60 net_->blob_names()[net_->output_blob_indices()[j]];
61 const Dtype loss_weight =
62 net_->blob_loss_weights()[net_->output_blob_indices()[j]];
63 for (int k = 0; k < result[j]->count(); ++k) {
64 ostringstream loss_msg_stream;
65 if (loss_weight) {
66 loss_msg_stream << " (* " << loss_weight
67 << " = " << loss_weight * result_vec[k] << " loss)";
68 }
69 LOG_IF(INFO, Caffe::root_solver()) << " Train net output #"
70 << score_index++ << ": " << output_name << " = "
71 << result_vec[k] << loss_msg_stream.str();
72 }
73 }
74 }
75 for (int i = 0; i < callbacks_.size(); ++i) {
76 callbacks_[i]->on_gradients_ready();
77 }
78 // 执行梯度的更新,这个函数在基类`Solver`中没有实现,会调用每个子类自己的实现,后面具体分析`SGDSolver`的实现
79 ApplyUpdate();
80 // 迭代次数加1
81 ++iter_;
82 // 调用GetRequestedAction,实际是通过action_request_function_函数指针调用之前设置好(通过`SetRequestedAction`)的
83 // signal_handler的`CheckForSignals`函数,这个函数的作用是
84 // 会根据之前是否遇到系统信号以及信号的类型和我们设置(或者默认)的方式返回处理的方式
85 SolverAction::Enum request = GetRequestedAction();
86 // 判断当前迭代是否需要snapshot,如果request等于`SNAPSHOT`则也需要
87 if ((param_.snapshot()
88 && iter_ % param_.snapshot() == 0
89 && Caffe::root_solver()) ||
90 (request == SolverAction::SNAPSHOT)) {
91 Snapshot();
92 }
93 // 如果request为`STOP`则修改`requested_early_exit_`为true,之后就会提前结束迭代
94 if (SolverAction::STOP == request) {
95 requested_early_exit_ = true;
96 break;
97 }
98 }
99 }
SGDSolver::ApplyUpdate
具体实现
每一组网络中的参数的更新都是在不同类型的Solver自己实现的ApplyUpdate
函数中完成的,下面我们就以最常用的SGD为例子来分析这个函数具体的功能:
1 template <typename Dtype>
2 void SGDSolver<Dtype>::ApplyUpdate() {
3 CHECK(Caffe::root_solver());
4 // GetLearningRate根据设置的lr_policy来计算当前迭代的learning rate的值
5 Dtype rate = GetLearningRate();
6 // 判断是否需要输出当前的learning rate
7 if (this->param_.display() && this->iter_ % this->param_.display() == 0) {
8 LOG(INFO) << "Iteration " << this->iter_ << ", lr = " << rate;
9 }
10 // 避免梯度爆炸,如果梯度的二范数超过了某个数值则进行scale操作,将梯度减小
11 ClipGradients();
12 // 对所有可更新的网络参数进行操作
13 for (int param_id = 0; param_id < this->net_->learnable_params().size();
14 ++param_id) {
15 // 将第param_id个参数的梯度除以iter_size,这一步的作用是保证实际的batch_size=iter_size*设置的batch_size
16 Normalize(param_id);
17 // 将正则化部分的梯度降入到每个参数的梯度中
18 Regularize(param_id);
19 // 计算SGD算法的梯度(momentum等)
20 ComputeUpdateValue(param_id, rate);
21 }
22 // 调用`Net::Update`更新所有的参数
23 this->net_->Update();
24 }
下面我们继续具体分析一下Normalize
/Regularize
/ComputeUpdateValue
的实现,我们均以CPU的代码为例子,GPU部分的处理原理是一样的:
Normalize
1 template <typename Dtype>
2 void SGDSolver<Dtype>::Normalize(int param_id) {
3 // 如果iter_size的值为1,则不需要任何处理直接return
4 if (this->param_.iter_size() == 1) { return; }
5 // 通过net_返回所有可以学习的参数,是一个vector<shared_ptr<Blob<Dtype> > >
6 const vector<Blob<Dtype>*>& net_params = this->net_->learnable_params();
7 // 要乘以的系数等于1/iter_size
8 const Dtype accum_normalization = Dtype(1.) / this->param_.iter_size();
9 switch (Caffe::mode()) {
10 case Caffe::CPU: {
11 // caffe_scal在/CAFFE_ROOT/src/caffe/util/math_functions.cpp中
12 // 是blas的scale函数的一个封装,第一个参数是数据的个数,第二个参数是乘以的系数,
13 // 第三个参数是数据的指针
14 caffe_scal(net_params[param_id]->count(), accum_normalization,
15 net_params[param_id]->mutable_cpu_diff());
16 break;
17 }
18 case Caffe::GPU: {
19 // GPU代码略
20 }
21 }
Regularize
1 template <typename Dtype>
2 void SGDSolver<Dtype>::Regularize(int param_id) {
3 // 获取所有可以学习的参数的vector
4 const vector<Blob<Dtype>*>& net_params = this->net_->learnable_params();
5 // 获取所有的参数对应的weight_decay的vector
6 const vector<float>& net_params_weight_decay =
7 this->net_->params_weight_decay();
8 // 模型整体的weight_decay数值
9 Dtype weight_decay = this->param_.weight_decay();
10 // 获取正则化的类型:L1 或 L2
11 string regularization_type = this->param_.regularization_type();
12 // 实际的weight_decay等于整体模型的数值乘以具体每个参数的数值
13 Dtype local_decay = weight_decay * net_params_weight_decay[param_id];
14 switch (Caffe::mode()) {
15 case Caffe::CPU: {
16 // 如果weight_decay不为0,则计算
17 if (local_decay) {
18 if (regularization_type == "L2") {
19 // L2的梯度为diff_ = weight_decay*data_ + diff_
20 // caffe_axpy的功能是 y = a*x + y
21 // 第一个参数是数据的个数,第二个是上式的a,第三个是x的指针,第四个是y的指针
22 caffe_axpy(net_params[param_id]->count(),
23 local_decay,
24 net_params[param_id]->cpu_data(),
25 net_params[param_id]->mutable_cpu_diff());
26 } else if (regularization_type == "L1") {
27 // L1的梯度为diff_ = diff_ + sign(data_)
28 // temp_ = sign(data_)
29 caffe_cpu_sign(net_params[param_id]->count(),
30 net_params[param_id]->cpu_data(),
31 temp_[param_id]->mutable_cpu_data());
32 // 将temp_加到diff_中 diff_ = weight_decay*temp_ + diff_
33 caffe_axpy(net_params[param_id]->count(),
34 local_decay,
35 temp_[param_id]->cpu_data(),
36 net_params[param_id]->mutable_cpu_diff());
37 } else {
38 LOG(FATAL) << "Unknown regularization type: " << regularization_type;
39 }
40 }
41 break;
42 }
43 // GPU代码略
44 }
ComputeUpdatedValue
1 template <typename Dtype>
2 void SGDSolver<Dtype>::ComputeUpdateValue(int param_id, Dtype rate) {
3 // 获取所有可以更新的参数的vector
4 const vector<Blob<Dtype>*>& net_params = this->net_->learnable_params();
5 // 获取所有参数对应的learning_rate的vector
6 const vector<float>& net_params_lr = this->net_->params_lr();
7 // 获取momentum数值
8 Dtype momentum = this->param_.momentum();
9 // 实际的learning_rate为全局的learning_rate乘以每个参数对应的learning_rate
10 Dtype local_rate = rate * net_params_lr[param_id];
11 switch (Caffe::mode()) {
12 case Caffe::CPU: {
13 // 关于SGD的公式参考caffe官网tutorial的Solver部分
14 // history_存储了上一次的梯度,下面这个函数:
15 // history_ = learning_rate*diff_ + momentum*history
16 caffe_cpu_axpby(net_params[param_id]->count(), local_rate,
17 net_params[param_id]->cpu_diff(), momentum,
18 history_[param_id]->mutable_cpu_data());
19 // 把当前的梯度拷贝给参数Blob的diff_
20 caffe_copy(net_params[param_id]->count(),
21 history_[param_id]->cpu_data(),
22 net_params[param_id]->mutable_cpu_diff());
23 break;
24 }
25 case Caffe::GPU: {
26 // GPU代码略
27 }
28 }
至此Solver
主要的代码都已经分析完了,总结起来主要有:(1)solver_factory的register和create不同类型Solver的机制,(2)通过signal_handler来获取系统信号,并根据用户或默认的设置进行相应的处理,(3)Solver::Solve
函数的具体实现的分析,(4)SGDSolver::ApplyUpdate
函数的具体实现。前面三个部分都属于基类的,最后一个是SGDSolver这个子类的,如果用户想要实现自己的Solver类,也应该类似地去继承基类,并实现自己的ApplyUpdate
函数,在代码的末尾通过register宏完成注册,便可以被成功的调用。