Caffe源码精读 - 2 - Caffe 之Blob(数据容器)

Class_3 Caffe之blob(数据容器)

 

1. 概述

Blob是caffe中使用的一个数据容器，几乎每一个网络层都有自己的blob（继承自层基类layer的“vector<shared_ptr<Blob<Dtype> > > blobs_”）。

各层在前向传播和反向传播过程中，主要就是改变相应blob中的存储值。

2. 数据

Blob中保存SyncedMemory类型的数据，SyncedMemory数据是更底层的缓存形式，直接控制指针，在此不做细致讲解了。

Blob中的数据如下：

data_: 存储各层输入和输出数据、weights和bias等；

diff_: 存储梯度信息；

shape_: 是一个vector，存储的是数据的shape信息；

count_: Blob中存储的数据总数

capacity_: 当前Blob的容量，可以动态的控制增减；

3. 函数成员

1. ReShape()

ReShape都是用来控制数据的shape信息，主要是控制的shape_成员取值。

2. shape()

shape()成员是用来获取数据的shape信息，与ReShape是因果关系成员。

3. num_axes

num_axes函数比较有用，是为了获取当前数据的数据轴数量，就是shape数量。如caffe中数据通常以NCHW形式存在，那么num_axes一般表示数据的时候，取值就是4。

4. count

count主要是为了获取数据量。

count（）有些是获取全部的数据量。

count（int start_axis, int end_axis）是获取指定起始轴和结束轴的数据量。

5. CanonicalAxisIndex

CanonicalAxisIndex是为了能够获取正向索引和反向索引，如轴索引为-1，则取倒数第一个轴，针对NCHW，就是去W这个轴并做进一步分析。

6. num(), channels(), height(), width()

分别获取数据的batch_size, 通道数，高，宽信息。

7. offst

offset是计算数据偏移量，遵循NCHW形式，偏移量计算公式为((n∗C+c)∗H+h)∗W+w。其中小写的n、c、h、w分别是batch_size, channel, height, width。

8. cpu_data和gpu_data

是为了分别获取存储在cpu或者gpu缓存中的数据指针。

9. asum_data, asum_diff, sumsq_data, sumsq_diff

分别用于计算L1和L2信息。

       其他函数成员不做赘述，其实都还很好理解。