DeepLearning（基于caffe）实战项目（7）--从caffe结构里函数总结一览caffe

最新推荐文章于 2020-01-20 16:56:21 发布

四海龙王Black

最新推荐文章于 2020-01-20 16:56:21 发布

阅读量1.2k

点赞数

分类专栏： Caffe实战项目（初级）文章标签： Caffe 实战项目数据结构 gpu 函数

本文链接：https://blog.csdn.net/sihailongwang/article/details/72779074

版权

10 篇文章 0 订阅

订阅专栏

我觉得学习caffe，必须得做到会修改源码，刚开始可以不需要知道所有的函数是如何实现的，但必须得知道里边都有哪些函数，这些函数都可以干什么。

用网上流行的比喻：Blobs,Layers,Nets的关系就好比，Blob是砖块，Layer是墙，net是一栋大楼。

Blob:

Blob是一个模板类，在内存中表示4维数组，维度从低到高为：width、height、channels（颜色通道）、num（第几帧）

函数总结：

Layer:

Layer至少有一个输入Blob和一个输出Blob，部分Layer带有权值和偏置项，有两个运算方向：前向传播、后向传播

值得注意的是：大部分函数没有在Layer.cpp中实现，只有虚函数，真正实现的都在派生类中，具体看各个cpp

函数总结：

Reshape：变形函数，修改Top Blob以及内部Blob缓冲区的形状
Forward：前向传播函数，给定Bottom Blob，计算Top Blob和Loss，返回值为当前层loss
Backward：反向传播函数，给定Top Blob误差梯度，就按Bottom Blob误差梯度
ToProto：将Layer初始化参数写入ProtoBuffer缓冲区中
loss：返回某个Top Blob相关的标量loss值
CheckBlobCounts：校验输入/输出BLob数目是否满足Layer要求
SetLossWeights：该函数在layer中SetUp函数中被调用，主要目的是初始化与Top Blob相关的loss权重，放到Top Blob的diff域中，实际由Forward()计算loss

在layer中的Forward和Backward是前向传播函数和后向传播函数包装，不需要修改这两个函数，使用的时候只需要在派生类改写Forward_cpu、Forward_gpu、Backward_cpu、Backward_gpu

Net:

Net在caffe中代表一个完整的CNN模型，它包括若干Layer实例

函数总结：

关注