Caffe框架源码剖析(9)—损失层SoftmaxWithLossLayer

最新推荐文章于 2024-08-20 17:57:03 发布
最新推荐文章于 2024-08-20 17:57:03 发布
阅读量1.8w 收藏 18
点赞数 9
分类专栏： C/C++ Machine Learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/tianrolin/article/details/52594975
版权

类SoftmaxWithLossLayer包含类SoftmaxLayer的实例。其中SoftmaxLayer层在正向传导函数中将64*10的bottom_data，通过计算得到64*10的top_data。这可以理解为输入数据为64个样本，每个样本特征数量为10，计算这64个样本分别在10个类别上的概率。公式如下，其中n=10，

f(zk)=ezk∑nezi=ezk−m∑nezi−m,m=max(zi)

SoftmaxWithLossLayer层利用SoftmaxLayer层的输出计算损失，公式如下，其中N为一个batch的大小（MNIST训练时batch_size为64，测试时batch_size为100）。 根据Cross-Entropy的定义有，

loss=−∑iny^ilogf(zi)=−logf(zk)

其中 y^ 为标签值， k 为标签为1所对应的的神经元序号。

反向传导时，计算偏导

loss=−logf(zk)=log(∑nezi)−zk

∂loss∂zj=⎧⎩⎨ezj∑nezi−1=f(zj)−1ezj∑nezi=f(zj)zj=zkzj≠zk

需要注意的一点是，在反向传导时SoftmaxWithLossLayer层并没有向正向传导时借用SoftmaxLayer层实现一部分，而是一手全部包办了。因此SoftmaxLayer::Backward_cpu()函数也就被闲置了。

如果网络在训练期间发散了，则最终计算结果accuracy ≈ 0.1（说明机器完全没有预测精度，纯靠蒙）, loss ≈-log(0.1) = 2.3026。如果大家看见loss为2.3左右，就应该了解当前网络没有收敛，需要调节参数配置。至于怎么调节嘛，这往往就依赖经验了……

几个类的类关系图如下图所示，
SoftmaxLayer类图

为了搞清楚传导的流程，我们首先看下SoftmaxLayer是如何工作的，头文件为softmax_layer.hpp

template <typename Dtype>
class SoftmaxLayer : public Layer<Dtype> {
 public:
  explicit SoftmaxLayer(const LayerParameter& param)
      : Layer<Dtype>(param) {}
  virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);

  virtual inline const char* type() const { return "Softmax"; }
  virtual inline int ExactNumBottomBlobs() const { return 1; }
  virtual inline int ExactNumTopBlobs() const { return 1; }

 protected:
  // 重载CPU和GPU正反向传导虚函数
  virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);
  virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);
  virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
      const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
  virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,
     const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);

  int outer_num_;
  int inner_num_;
  int softmax_axis_;
  /// 乘子
  Blob<Dtype> sum_multiplier_;
  /// scale is an intermediate Blob to hold temporary results.
  Blob<Dtype> scale_;
};

实现在softmax_layer.cpp文件中，

template <typename Dtype>
void SoftmaxLayer<Dtype>::Reshape(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top) {
  softmax_axis_ =
      bottom[0]->CanonicalAxisIndex(this->layer_param_.softmax_param().axis());
  top[0]->ReshapeLike(*bottom[0]);
  vector<int> mult_dims(1, bottom[0]->shape(softmax_axis_));
  sum_multiplier_.Reshape(mult_dims);
  Dtype* multiplier_data = sum_multiplier_.mutable_cpu_data();
  // 乘子初始化为1
  caffe_set(sum_multiplier_.count(), Dtype(1), multiplier_data);
  outer_num_ = bottom[0]->count(0, softmax_axis_);
  inner_num_ = bottom[0]->count(softmax_axis_ + 1);
  vector<int> scale_dims = bottom[0]->shape();
  scale_dims[softmax_axis_] = 1;
  scale_.Reshape(scale_dims);
}

// CPU正向传导
template <typename Dtype>
void SoftmaxLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {
  const Dtype* bottom_data = bottom[0]->cpu_data();
  Dtype* top_data = top[0]->mutable_cpu_data();
  Dtype* scale_data = scale_.mutable_cpu_data();
  int channels = bottom[0]->shape(softmax_axis_);
  int dim = bottom[0]->count() / outer_num_;
  caffe_copy(bottom[0]->count(), bottom_data, top_data);
  // 遍历bottom_data查找最大值，存入scale_data
  for (int i = 0; i < outer_num_; ++i) {
    // 初始化scale_data为bottom_data首元素
    caffe_copy(inner_num_, bottom_data + i * dim, scale_data);
    for (int j = 0; j < channels; j++) {
      for (int k = 0; k < inner_num_; k++) {
        scale_data[k] = std::max(scale_data[k],
            bottom_data[i * dim + j * inner_num_ + k]);
      }
    }
    // 减去最大值（top_data = bottom_data - max(bottom_data)）
    caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, channels, inner_num_,
        1, -1., sum_multiplier_.cpu_data(), scale_data, 1., top_data);
    // exp求幂
    caffe_exp<Dtype>(dim, top_data, top_data);
    // 累加求和，存放在scale_data中
    caffe_cpu_gemv<Dtype>(CblasTrans, channels, inner_num_, 1.,
        top_data, sum_multiplier_.cpu_data(), 0., scale_data);
    // division
    for (int j = 0; j < channels; j++) {
      // top_data = top_data / scale_data
      caffe_div(inner_num_, top_data, scale_data, top_data);
      // 加偏移跳转指针
      top_data += inner_num_;
    }
  }
}

// CPU反向传导（此函数未被调用）
template <typename Dtype>
void SoftmaxLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,
    const vector<bool>& propagate_down,
    const vector<Blob<Dtype>*>& bottom) {
  const Dtype* top_diff = top[0]->cpu_diff();
  const Dtype* top_data = top[0]->cpu_data();
  Dtype* bottom_diff = bottom[0]->mutable_cpu_diff();
  Dtype* scale_data = scale_.mutable_cpu_data();
  int channels = top[0]->shape(softmax_axis_);
  int dim = top[0]->count() / outer_num_;
  caffe_copy(top[0]->count(), top_diff, bottom_diff);
  for (int i = 0; i < outer_num_; ++i) {
    // 计算top_diff和top_data的点积
    for (int k = 0; k < inner_num_; ++k) {
      scale_data[k] = caffe_cpu_strided_dot<Dtype>(channels,
          bottom_diff + i * dim + k, inner_num_,
          top_data + i * dim + k, inner_num_);
    }
    // 从bottom_diff减去该值
    caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, channels, inner_num_, 1,
        -1., sum_multiplier_.cpu_data(), scale_data, 1., bottom_diff + i * dim);
  }
  // 逐点相乘
  caffe_mul(top[0]->count(), bottom_diff, top_data, bottom_diff);

  // 以上步骤等价于bottom_diff = top_diff * (top_data - top_data * top_data)
  // 此公式更容易推导和理解
}

再回过来看SoftmaxWithLossLayer的源代码，先看一下它的基类LossLayer是如何实现的。

template <typename Dtype>
class LossLayer : public Layer<Dtype> {
 public:
  explicit LossLayer(const LayerParameter& param)
     : Layer<Dtype>(param) {}
  virtual void LayerSetUp(
      const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top);
  virtual void Reshape(
      const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top);

  virtual inline int ExactNumBottomBlobs() const { return 2; }

  // 自动添加top blob
  virtual inline bool AutoTopBlobs() const { return true; }
  virtual inline int ExactNumTopBlobs() const { return 1; }

  virtual inline bool AllowForceBackward(const int bottom_index) const {
    return bottom_index != 1;
  }
};

cpp实现如下，

template <typename Dtype>
void LossLayer<Dtype>::LayerSetUp(
    const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
  // LossLayers have a non-zero (1) loss by default.
  if (this->layer_param_.loss_weight_size() == 0) {
    this->layer_param_.add_loss_weight(Dtype(1));
  }
}

template <typename Dtype>
void LossLayer<Dtype>::Reshape(
    const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
  CHECK_EQ(bottom[0]->num(), bottom[1]->num())
      << "The data and label should have the same number.";
  vector<int> loss_shape(0);  // Loss layers output a scalar; 0 axes.
  top[0]->Reshape(loss_shape);
}

再看一下子类SoftmaxWithLossLayer的实现，

template <typename Dtype>
class SoftmaxWithLossLayer : public LossLayer<Dtype> {
 public:
  // 构造函数
  explicit SoftmaxWithLossLayer(const LayerParameter& param)
      : LossLayer<Dtype>(param) {}
  virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);
  virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);

  virtual inline const char* type() const { return "SoftmaxWithLoss"; }
  virtual inline int ExactNumTopBlobs() const { return -1; }
  virtual inline int MinTopBlobs() const { return 1; }
  virtual inline int MaxTopBlobs() const { return 2; }

 protected:
  // 重载CPU和GPU正反向传导虚函数
  virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);
  virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);

  virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
      const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
  virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,
      const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);

  // 返回归一化计数
  virtual Dtype get_normalizer(
      LossParameter_NormalizationMode normalization_mode, int valid_count);

  /// SoftmaxLayer类实例
  shared_ptr<Layer<Dtype> > softmax_layer_;
  /// prob_作为SoftmaxLayer的输出blob
  Blob<Dtype> prob_;
  /// 指针指向bottom[0]，作为SoftmaxLayer的输入blob
  vector<Blob<Dtype>*> softmax_bottom_vec_;
  /// 指针指向prob_
  vector<Blob<Dtype>*> softmax_top_vec_;
  /// 标识位，是否忽略标签
  bool has_ignore_label_;
  /// 被忽略的标签值
  int ignore_label_;
  /// 标识如何归一化loss
  LossParameter_NormalizationMode normalization_;

  // 维数、输出样本数
  int softmax_axis_, outer_num_, inner_num_;
};

softmax_loss_layer.cpp定义如下，

template <typename Dtype>
void SoftmaxWithLossLayer<Dtype>::LayerSetUp(
    const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
  LossLayer<Dtype>::LayerSetUp(bottom, top);
  LayerParameter softmax_param(this->layer_param_);
  softmax_param.set_type("Softmax");
  // 创建SoftmaxLayer层
  softmax_layer_ = LayerRegistry<Dtype>::CreateLayer(softmax_param);
  softmax_bottom_vec_.clear();
  // bottom[0]作为SoftmaxLayer层输入
  softmax_bottom_vec_.push_back(bottom[0]);
  softmax_top_vec_.clear();
  // prob_作为SoftmaxLayer层输出
  softmax_top_vec_.push_back(&prob_);
  // 建立SoftmaxLayer层
  softmax_layer_->SetUp(softmax_bottom_vec_, softmax_top_vec_);

  has_ignore_label_ =
    this->layer_param_.loss_param().has_ignore_label();
  if (has_ignore_label_) {
    // 如果支持忽略标签，则读取被忽略标签的值
    ignore_label_ = this->layer_param_.loss_param().ignore_label();
  }
  // 确定归一化计数方式
  if (!this->layer_param_.loss_param().has_normalization() &&
      this->layer_param_.loss_param().has_normalize()) {
    normalization_ = this->layer_param_.loss_param().normalize() ?
                     LossParameter_NormalizationMode_VALID :
                     LossParameter_NormalizationMode_BATCH_SIZE;
  } else {
    normalization_ = this->layer_param_.loss_param().normalization();
  }
}

template <typename Dtype>
void SoftmaxWithLossLayer<Dtype>::Reshape(
    const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
  LossLayer<Dtype>::Reshape(bottom, top);
  softmax_layer_->Reshape(softmax_bottom_vec_, softmax_top_vec_);
  softmax_axis_ =
      bottom[0]->CanonicalAxisIndex(this->layer_param_.softmax_param().axis());
  outer_num_ = bottom[0]->count(0, softmax_axis_);
  inner_num_ = bottom[0]->count(softmax_axis_ + 1);
  CHECK_EQ(outer_num_ * inner_num_, bottom[1]->count())
      << "Number of labels must match number of predictions; "
      << "e.g., if softmax axis == 1 and prediction shape is (N, C, H, W), "
      << "label count (number of labels) must be N*H*W, "
      << "with integer values in {0, 1, ..., C-1}.";
  if (top.size() >= 2) {
    // softmax output
    top[1]->ReshapeLike(*bottom[0]);
  }
}

// 返回归一化计数
template <typename Dtype>
Dtype SoftmaxWithLossLayer<Dtype>::get_normalizer(
    LossParameter_NormalizationMode normalization_mode, int valid_count) {
  Dtype normalizer;
  switch (normalization_mode) {
    case LossParameter_NormalizationMode_FULL:
      // 返回全部输出样本数
      normalizer = Dtype(outer_num_ * inner_num_);
      break;
    case LossParameter_NormalizationMode_VALID:
      if (valid_count == -1) {
        normalizer = Dtype(outer_num_ * inner_num_);
      } else {
        // 只返回有效统计的样本数
        normalizer = Dtype(valid_count);
      }
      break;
    case LossParameter_NormalizationMode_BATCH_SIZE:
      normalizer = Dtype(outer_num_);
      break;
    case LossParameter_NormalizationMode_NONE:
      normalizer = Dtype(1);
      break;
    default:
      LOG(FATAL) << "Unknown normalization mode: "
          << LossParameter_NormalizationMode_Name(normalization_mode);
  }
  // 防止使用不带标签的数据出现归一化计数为0，从而导致分母为零
  return std::max(Dtype(1.0), normalizer);
}

// CPU正向传导
template <typename Dtype>
void SoftmaxWithLossLayer<Dtype>::Forward_cpu(
    const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
  // 先对SoftmaxLayer层正向传导
  softmax_layer_->Forward(softmax_bottom_vec_, softmax_top_vec_);
  const Dtype* prob_data = prob_.cpu_data();
  const Dtype* label = bottom[1]->cpu_data();
  int dim = prob_.count() / outer_num_;
  int count = 0;
  Dtype loss = 0;
  for (int i = 0; i < outer_num_; ++i) {
    for (int j = 0; j < inner_num_; j++) {
      // 取出真实标签值
      const int label_value = static_cast<int>(label[i * inner_num_ + j]);
      if (has_ignore_label_ && label_value == ignore_label_) {
        continue;
      }
      DCHECK_GE(label_value, 0);
      DCHECK_LT(label_value, prob_.shape(softmax_axis_));
      // 从SoftmaxLayer层输出(prob_data)中，找到与标签值对应位的预测概率，对其取-log，并对batch_size个值累加
      loss -= log(std::max(prob_data[i * dim + label_value * inner_num_ + j],
                           Dtype(FLT_MIN)));
      ++count;
    }
  }
  // loss除以样本总数batch，得到平均单个样本的loss
  top[0]->mutable_cpu_data()[0] = loss / get_normalizer(normalization_, count);
  if (top.size() == 2) {
    top[1]->ShareData(prob_);
  }
}

// CPU反向传导
template <typename Dtype>
void SoftmaxWithLossLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,
    const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom) {
  if (propagate_down[1]) {
    LOG(FATAL) << this->type()
               << " Layer cannot backpropagate to label inputs.";
  }
  if (propagate_down[0]) {
    Dtype* bottom_diff = bottom[0]->mutable_cpu_diff();
    const Dtype* prob_data = prob_.cpu_data();
    // 先将正向传导时计算的prob_数据(f(y_k))拷贝至偏导
    caffe_copy(prob_.count(), prob_data, bottom_diff);
    const Dtype* label = bottom[1]->cpu_data();
    int dim = prob_.count() / outer_num_;
    int count = 0;
    for (int i = 0; i < outer_num_; ++i) {
      for (int j = 0; j < inner_num_; ++j) {
        const int label_value = static_cast<int>(label[i * inner_num_ + j]);
        // 如果为忽略标签，则偏导为0
        if (has_ignore_label_ && label_value == ignore_label_) {
          for (int c = 0; c < bottom[0]->shape(softmax_axis_); ++c) {
            bottom_diff[i * dim + c * inner_num_ + j] = 0;
          }
        } else {
          // 计算偏导，预测正确的bottom_diff = f(y_k) - 1，其它不变
          bottom_diff[i * dim + label_value * inner_num_ + j] -= 1;
          ++count;
        }
      }
    }
    // top[0]->cpu_diff()[0] = 1.0，已在SetLossWeights()函数中初始化
    Dtype loss_weight = top[0]->cpu_diff()[0] /
                        get_normalizer(normalization_, count);
    // 将bottom_diff归一化
    caffe_scal(prob_.count(), loss_weight, bottom_diff);
  }
}
tianrolin
关注
专栏目录
Caffe学习（六）损失层及其参数设置
BryantLJ学习的地方
08-07 1万+
机器学习的目的就是通过对训练样本输出与真实值不一致的进行惩罚，得到损失Loss，然后采用一定的优化算法对loss进行最小优化，进而得到合理的网络权值。本文介绍Caffe中含有的常见的LossLayer及其参数设置方法 Caffe的LossLayer主要由6个： （1）ContrastiveLossLayer 对比损失函数主要用来训练siamese网络，改网络为专门处理同时输入两张图像的网
caffe学习（7）损失层、通用层
Yan_Joy的博客
11-07 2502
损失层Loss Layers损失通过将输出与目标进行比较，并不断优化减小loss。Softmax（with loss） 层类型：SoftmaxWithLoss 示例：layer { name: "loss" type: "SoftmaxWithLoss" bottom: "ip1" bott
深度学习实现——softmax回归
2301_78829965的博客
08-20 1188
介绍softmax回归的实现方法
理解softMaxWithLoss层
weixin_30685029的博客
08-08 393
　　为了更好的理解SoftMaxWithLossLayer, 绘制了如上的示意图，SoftMaxWithLossLayer主要使用了两个概率统计原理：逻辑回归和最大似然估计。 　　逻辑回归对应于SoftMax,其将神经网络的输出特征（即output输出的一串数字，有多少个种类就有多少个数字）转化成概率。这样做的好处有： 　　1、保证数字越大概率越大； 　　2、得到的所有类的所占概率之...
【caffe源码研究】第三章：源码篇(13) ：损失层
Row Row Row your boat
01-06 827
在训练阶段有损失层，损失层需要两个输入的Blob，一个是网络的预测值，一个是真实的标签。基类LossLayer，其他的loss继承自这个类。这里以欧拉损失为例来说明原理欧拉损失 E=12N∑n=1N||yn−y‘n||2E=\frac{1}{2N}\sum^{N}_{n=1}||y_n-y_n^`||^2前向传播top：（1×1×1×1）维的欧氏距离损失E=12N∑Nn=1||yn−y‘n||2E
softmaxWithLoss Layer
z1102252970的专栏
09-27 1218
caffe中的softmaxWithLoss其实是： softmaxWithLoss = Multinomial Logistic Loss Layer + Softmax Layer其中： Multinomial Logistic Loss Layer 即为交叉熵代价函数 Softmax Layer其实就是指softmax function（全连接那一步在它前面的fc中实现）示意图如下
caffe框架源码
11-22
国外资源更新过慢 直接从github上下载 caffe源码 其中含有caffe示例demo
基于C++深度学习的快速开源框架Caffe设计源码
最新发布
10-04
该项目为C++深度学习快速开源框架Caffe的设计源码，总文件量为694个，其中包括187个C++源文件、104个头文件、97个Markdown文件、60个CUDA文件、54个配置文件、40个Shell脚本、38个Python脚本、24个CMake构建文件、22...
caffe源码——深度学习框架
06-27
《Caffe深度学习框架详解——源码解析及接口应用》 Caffe，全称为Convolutional Architecture for Fast Feature Embedding，是由Berkeley Vision and Learning Center（BVLC）开发的开源深度学习框架，以其高效、...
Caffe中损失层简介
Xiaoli_Coding
08-29 1107
caffe中实现了多种损失层，分别适用于多种场合。
DL之SoftmaxWithLoss：SoftmaxWithLoss算法(Softmax+交叉熵误差)简介、使用方法、应用案例之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
04-29 8633
DL之SoftmaxWithLoss：SoftmaxWithLoss算法(Softmax函数+交叉熵误差)简介、使用方法、应用案例之详细攻略 目录 SoftmaxWithLoss算法简介 1、Softmax-with-Loss层的计算图 2、正向传播 3、反向传播 4、总结 SoftmaxWithLoss算法使用方法 SoftmaxWithLoss算法...
Softmax 和 Softmax-loss的推演
时光杂货店
10-01 4994
Softmax 和 Softmax-loss的推演记录Softmax 函数σ(z)=(σ1(z),...σm(z))\sigma(z)=(\sigma_1(z),...\sigma_m(z))定义如下： σi(z)=exp(z)Σmj=1exp(zj),i=1,...,m\sigma_i(z)={exp(z)\over\Sigma_{j=1}^m exp(z_j)} , i = 1,...,m它在
Softmax-with-Loss层的计算图 | Softmax梯度推导 | Loss损失函数
swjtu_pl的博客
05-01 1423
Softmax-with-Loss层的计算图
读书笔记：神经网络 Softmax-with-Loss 层的实现及应用 ← 斋藤康毅
hnjzsyjyj的专栏
02-01 260
神经网络中进行的处理有推理和学习两个阶段。 神经网络的推理通常不使用 Softmax 层。 神经网络中未被正规化的输出结果有时被称为“得分”。也就是说，当神经网络的推理只需要给出一个答案的情况下，因为此时只对得分最大值感兴趣，所以不需要 Softmax层。 不过，神经网络的学习阶段则需要 Softmax 层。​​​​​​​
Softmax与SoftmaxWithLoss原理及代码详解
Sundrops的专栏
07-29 7076
一直对softmax的反向传播的caffe代码看不懂，最近在朱神的数学理论支撑下给我详解了它的数学公式，才豁然开朗 SoftmaxWithLoss的由来 SoftmaxWithLoss也被称为交叉熵loss。 回忆一下交叉熵的公式，H(p,q)=−∑jpjlogqjH(p,q)=−∑jpjlog⁡qjH(p, q) = -\sum_j p_j\log q_j，其中向量 ppp是原...
caffe添加损失层PrecisionRecallLosslayer（一）
wzy的博客
08-22 4989
先就按照tangwei2014 学习了一下triplet loss。感谢tangwei博主 =============================================================================================================================== 【前言】  最近，learni
caffe层解读系列-softmax_loss
爱吃鱼的猫
04-01 979
博文地址：http://blog.csdn.net/shuzfan/article/details/51460895 Loss Function softmax_loss的计算包含2步： （1）计算softmax归一化概率 （2）计算损失 这里以batchsize=1的2分类为例： 设最后一层的输出为[1.2 0
Caffe源码解读（一）------loss层之softmax_loss_layer.cpp
city_to_sky的博客
05-13 1062
这几天需要自己写个loss层，因此把caffe源码研读了下，在此记录下经验，方便后人以及自己日后复习。首先看看caffe前向传播的工作流程，即net.cpp中的ForwardFromTo函数：可以看到，该函数通过一个for循环来对每一个layer执行前向传播传播。具体的传播函数在layer.hpp中可以找到：可以看到在这个函数中，最主要的就是执行了Reshape和Forward_cpu函数，剩下的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值