harmonyos cnn,学习Faster R-CNN代码roi_pooling（二）

roi_pooling理解起来比较简单，所以我就先看了一下这部分的代码。

roi_pooling目录下

-src文件夹下是c和cuda版本的源码。

-functions文件夹下的roi_pool.py是继承了torch.autograd.Function类，实现RoI层的foward和backward函数。class RoIPoolFunction(Function)。

-modules文件夹下的roi_pool.py是继承了torch.nn.Modules类，实现了对RoI层的封装，此时RoI层就跟ReLU层一样的使用了。class _RoIPooling(Module)。

-_ext文件夹下还有个roi_pooling文件夹，这个文件夹是存储src中c，cuda编译过后的文件的，编译过后就可以被funcitons中的roi_pool.py调用了。

具体代码：

如下图所示：为roi_pooling/src/roi_pooling.c文件中的一段，可以根据该代码了解到各变量包含哪些内容。如果只看py代码，有些地方真不知道包含哪些信息，看起来很费劲，仔细看了下C代码，解决了自己的疑惑。

rois[0] num_rois即roi的个数；

rois[1] size_rois即大小；

features[0] batch_size，批大小；

features[1] data_height，高；

features[2] data_width，宽；

features[3] num_channels，通道数。

细致一点的理解看我的另一篇博客：https://blog.csdn.net/weixin_43872578/article/details/86628515

functions/roi_pool.py

1 importtorch2 from torch.autograd importFunction3 from .._ext importroi_pooling4 importpdb5

6 #重写函数实现RoI层的正向传播和反向传播 modules中的roi_pool实现层的封装

7

8 classRoIPoolFunction(Function):9 def __init__(ctx, pooled_height, pooled_width, spatial_scale):10 #ctx is a context object that can be used to stash information for backward computation

11 #上下文对象，可用于存储信息以进行反向计算

12 ctx.pooled_width =pooled_width13 ctx.pooled_height =pooled_height14 ctx.spatial_scale =spatial_scale15 ctx.feature_size =None16

17 defforward(ctx, features, rois):18 ctx.feature_size =features.size()19 batch_size, num_channels, data_height, data_width =ctx.feature_size20 num_rois =rois.size(0)21 output =features.new(num_rois, num_channels, ctx.pooled_height, ctx.pooled_width).zero_()22 ctx.argmax =features.new(num_rois, num_channels, ctx.pooled_height, ctx.pooled_width).zero_().int()23 ctx.rois =rois24 if notfeatures.is_cuda:25 _features = features.permute(0, 2, 3, 1)26 roi_pooling.roi_pooling_forward(ctx.pooled_height, ctx.pooled_width, ctx.spatial_scale,27 _features, rois, output)28 else:29 roi_pooling.roi_pooling_forward_cuda(ctx.pooled_height, ctx.pooled_width, ctx.spatial_scale,30 features, rois, output, ctx.argmax)31

32 returnoutput33

34 defbackward(ctx, grad_output):35 assert(ctx.feature_size is not None andgrad_output.is_cuda)36 batch_size, num_channels, data_height, data_width =ctx.feature_size37 grad_input =grad_output.new(batch_size, num_channels, data_height, data_width).zero_()38

39 roi_pooling.roi_pooling_backward_cuda(ctx.pooled_height, ctx.pooled_width, ctx.spatial_scale,40 grad_output, ctx.rois, grad_input, ctx.argmax)41

42 return grad_input, None

modules/roi_pool.py

1 from torch.nn.modules.module importModule2 from ..functions.roi_pool importRoIPoolFunction3

4 #对roi_pooling层的封装，就是ROI Pooling Layer了

5

6 class_RoIPooling(Module):7 def __init__(self, pooled_height, pooled_width, spatial_scale):8 super(_RoIPooling, self).__init__()9

10 self.pooled_width =int(pooled_width)11 self.pooled_height =int(pooled_height)12 self.spatial_scale =float(spatial_scale)13

14 defforward(self, features, rois):15 returnRoIPoolFunction(self.pooled_height, self.pooled_width, self.spatial_scale)(features, rois)16 #直接调用了functions中的函数，此时已经实现了foward，backward操作

剩下的src，_ext文件的代码就可以自己读读了，就是用c，cuda对roi_pooling实现了foward和backward，目的就是为了让python可以调用。

【未完，待更新…】