【darknet源码】：训练过程（待补充from笔记darknet源码2）

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。
1、test源码(泛化过程)
(1)test image
a(预测):load_network（network.c） —> network_predict（network.c） —> forward_network（network.c） —> forward_yolo_layer(yolo_layer.c) —-> calc_network_cost（network.c）
b(后处理):get_network_boxes（network.c） —> make_network_boxes（network.c） —> fill_network_boxes（network.c）—> get_yolo_detections（yolo_layer.c)
do_nms_sort(box.c) —> draw_detections(image.c) —> save_image(image.c)
(2)test 过程中thresh作用
a:get_yolo_detections接口中：

int get_yolo_detections(layer l, int w, int h, int netw, int neth, float thresh, int *map, int relative, detection *dets)

{

int i,j,n;

float *predictions = l.output;

if (l.batch == 2) avg_flipped_yolo(l);

int count = 0;

for (i = 0; i < l.w*l.h; ++i){

int row = i / l.w;

int col = i % l.w;

for(n = 0; n < l.n; ++n){

int obj_index = entry_index(l, 0, n*l.w*l.h + i, 4);

float objectness = predictions[obj_index];

if(objectness <= thresh) continue;

int box_index = entry_index(l, 0, n*l.w*l.h + i, 0);

dets[count].bbox = get_yolo_box(predictions, l.biases, l.mask[n], box_index, col, row, l.w, l.h, netw, neth, l.w*l.h);

dets[count].objectness = objectness;

dets[count].classes = l.classes;

for(j = 0; j < l.classes; ++j){

int class_index = entry_index(l, 0, n*l.w*l.h + i, 4 + 1 + j);

float prob = objectness*predictions[class_index];

dets[count].prob[j] = (prob > thresh) ? prob : 0;

}

++count;

}

}

correct_yolo_boxes(dets, count, w, h, netw, neth, relative);

return count;

}

b:draw_detections接口中：
  int left = (b.x - b.w / 2.) * im.w;
  int right = (b.x + b.w / 2.) * im.w;
  int top = (b.y - b.h / 2.) * im.h;
  int bot = (b.y + b.h / 2.) * im.h;

2、train源码(训练过程)
(1)根据配置文件解析、创建、配置net的各个层(以卷积层为例),同时配置net的其他参数
load_network（network.c） —> parse_network_cfg(parser.c）—>parse_convolutional(parser.c) —>make_convolutional_layer(convolutional_layer.c);
注意：make_convolutional_layer过程中特别需要注意以下几个函数指针的配置，分别用来确定前向求损失函数，反向求误差函数，update函数（用来更新参数）
void (*forward) (struct layer, struct network); —> l.forward = forward_convolutional_layer;
void (*backward) (struct layer, struct network); —> l.backward = backward_convolutional_layer;
void (*update) (struct layer, update_args); —> l.update = update_convolutional_layer;

parse_network_cfg(section list node的概念处理配置文件)
总结：该过程最后得到的就是一个根据配置文件创建好的一个net框架， 只差灌入数据

(2)加载数据
load_thread(data.c)—>load_data_detection(data.c)—>fill_truth_detection(data.c 读取图像的标签数据 其他数据集也可以在这里作修改 然后更改路径)

(3)开始训练
train_network(network.c) —> train_network_datum(network.c 网络训练\前向求损失\反向求误差\最后更新网络参数) —>forward_network (network.c) —> backward_network (network.c) —> update_network(network.c) (forward backward update分别使用对应层的函数进行处理)