caffe源码阅读之Blob

最新推荐文章于 2019-11-18 21:51:48 发布
最新推荐文章于 2019-11-18 21:51:48 发布
阅读量246 收藏
点赞数
分类专栏： caffe
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/wxplol/article/details/78544631
版权

  Blob在内存中表示四维数组，从高到底分别表示（width_,heigth_,channels_,num_）,其中width_和heigth_分别表示图像的宽和高，heigth_表示颜色通道，num_表示第几张图片

成员变量：

shared_ptr<SyncedMemory> data_;//指向data的指针
shared_ptr<SyncedMemory> diff_;//指向增量的指针
shared_ptr<SyncedMemory> shape_data_;
vector<int> shape_;//形状信息
int count_;//有效元素的数目
int capacity_;//Blob容器的容量

1、构造函数  

Blob(): data_(), diff_(), count_(0), capacity_(0) {}

template <typename Dtype>
Blob<Dtype>::Blob(const int num, const int channels, const int height,
    const int width)
  // capacity_ must be initialized before calling Reshape
  : capacity_(0) {
  Reshape(num, channels, height, width);
}

template <typename Dtype>
Blob<Dtype>::Blob(const vector<int>& shape)
  // capacity_ must be initialized before calling Reshape
  : capacity_(0) {
  Reshape(shape);
}
2、变维函数 

template <typename Dtype>
void Blob<Dtype>::Reshape(const int num, const int channels, const int height,
    const int width) {
  vector<int> shape(4);
  shape[0] = num;
  shape[1] = channels;
  shape[2] = height;
  shape[3] = width;
  Reshape(shape);
}

template <typename Dtype>
void Blob<Dtype>::Reshape(const vector<int>& shape) {
  CHECK_LE(shape.size(), kMaxBlobAxes);//<=32
  count_ = 1;//元素总数=num×channels×height×width
  shape_.resize(shape.size());//成员变量的大小
  if (!shape_data_ || shape_data_->size() < shape.size() * sizeof(int)) {
    shape_data_.reset(new SyncedMemory(shape.size() * sizeof(int)));
  }
  int* shape_data = static_cast<int*>(shape_data_->mutable_cpu_data());
  for (int i = 0; i < shape.size(); ++i) {
    CHECK_GE(shape[i], 0);
    if (count_ != 0) {
      CHECK_LE(shape[i], INT_MAX / count_) << "blob size exceeds INT_MAX";
    }
    count_ *= shape[i];//累积计算元素总数
    shape_[i] = shape[i];
    shape_data[i] = shape[i];
  }
  if (count_ > capacity_) {//如果元素总数大于blob空间大小，需要重新分配空间
    capacity_ = count_;
    data_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));
    diff_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));
  }
}
void Reshape(const BlobShape& shape);
void ReshapeLike(const Blob& other);
3、计算偏移量 

inline int offset(const int n, const int c = 0, const int h = 0,
      const int w = 0) const {
    CHECK_GE(n, 0);
    CHECK_LE(n, num());
    CHECK_GE(channels(), 0);
    CHECK_LE(c, channels());
    CHECK_GE(height(), 0);
    CHECK_LE(h, height());
    CHECK_GE(width(), 0);
    CHECK_LE(w, width());
    return ((n * channels() + c) * height() + h) * width() + w;
  }

  inline int offset(const vector<int>& indices) const {
    CHECK_LE(indices.size(), num_axes());
    int offset = 0;
    for (int i = 0; i < num_axes(); ++i) {
      offset *= shape(i);
      if (indices.size() > i) {
        CHECK_GE(indices[i], 0);
        CHECK_LT(indices[i], shape(i));
        offset += indices[i];
      }
    }
    return offset;
  }
4、数据的存取操作 

 inline Dtype data_at(const int n, const int c, const int h,
      const int w) const {
    return cpu_data()[offset(n, c, h, w)];
  }

 inline Dtype diff_at(const int n, const int c, const int h,
      const int w) const {
    return cpu_diff()[offset(n, c, h, w)];
  }

 inline Dtype data_at(const vector<int>& index) const {
    return cpu_data()[offset(index)];
  }

  inline Dtype diff_at(const vector<int>& index) const {
    return cpu_diff()[offset(index)];
  }
5、成员变量操作函数 

(1)const Dtype* cpu_data() const;//获取cpu指针
template <typename Dtype>
const Dtype* Blob<Dtype>::cpu_data() const {
  CHECK(data_);
  return (const Dtype*)data_->cpu_data();
}
  (2)void set_cpu_data(Dtype* data);//设置cpu指针
template <typename Dtype>
void Blob<Dtype>::set_cpu_data(Dtype* data) {
  CHECK(data);
  data_->set_cpu_data(data);
}
其他都类似：
  const int* gpu_shape() const;
  const Dtype* gpu_data() const;
  const Dtype* cpu_diff() const;
  const Dtype* gpu_diff() const;
  (3)Dtype* mutable_cpu_data();//读写访问cpu data指针
template <typename Dtype>
Dtype* Blob<Dtype>::mutable_cpu_data() {
  CHECK(data_);
  return static_cast<Dtype*>(data_->mutable_cpu_data());
}
其他都类似：
  Dtype* mutable_gpu_data();
  Dtype* mutable_cpu_diff();
  Dtype* mutable_gpu_diff();
6、Blob节点更新 
//使用Update()函数更新网络参数Blob(int和unsigned int未实现)
template <> void Blob<unsigned int>::Update() { NOT_IMPLEMENTED; }
template <> void Blob<int>::Update() { NOT_IMPLEMENTED; }

template <typename Dtype>
void Blob<Dtype>::Update() {
  // We will perform update based on where the data is located.(data在哪就在那更新)
  switch (data_->head()) {
  case SyncedMemory::HEAD_AT_CPU:
    // perform computation on CPU（cpu上计算data_[i]=data[i]-diff[i]）
    caffe_axpy<Dtype>(count_, Dtype(-1),
        static_cast<const Dtype*>(diff_->cpu_data()),
        static_cast<Dtype*>(data_->mutable_cpu_data()));
    break;
  case SyncedMemory::HEAD_AT_GPU://data位于GPU或GPU/cpu已经同步
  case SyncedMemory::SYNCED:
#ifndef CPU_ONLY
    // perform computation on GPU(gpu上计算data_[i]=data[i]-diff[i]）
    caffe_gpu_axpy<Dtype>(count_, Dtype(-1),
        static_cast<const Dtype*>(diff_->gpu_data()),
        static_cast<Dtype*>(data_->mutable_gpu_data()));
#else
    NO_GPU;//编译时打开了CPU_ONLY,GPU禁用
#endif
    break;
  default:
    LOG(FATAL) << "Syncedmem not initialized.";
  }
}
7、data的范数计算 
(1)L1范数
template <> unsigned int Blob<unsigned int>::asum_data() const 
template <> int Blob<int>::asum_data() const

template <typename Dtype>
Dtype Blob<Dtype>::asum_data() const {
  if (!data_) { return 0; }
  switch (data_->head()) {
  case SyncedMemory::HEAD_AT_CPU:
    return caffe_cpu_asum(count_, cpu_data());
  case SyncedMemory::HEAD_AT_GPU:
  case SyncedMemory::SYNCED:
#ifndef CPU_ONLY
  {
    Dtype asum;
    caffe_gpu_asum(count_, gpu_data(), &asum);
    return asum;
  }
#else
    NO_GPU;
#endif
  case SyncedMemory::UNINITIALIZED:
    return 0;
  default:
    LOG(FATAL) << "Unknown SyncedMemory head state: " << data_->head();
  }
  return 0;
}

  Dtype asum_diff() const;
(2)L2范数
template <> unsigned int Blob<unsigned int>::sumsq_data() const
template <> int Blob<int>::sumsq_data() const 

template <typename Dtype>
Dtype Blob<Dtype>::sumsq_data() const {
  Dtype sumsq;
  const Dtype* data;
  if (!data_) { return 0; }
  switch (data_->head()) {
  case SyncedMemory::HEAD_AT_CPU:
    data = cpu_data();
    sumsq = caffe_cpu_dot(count_, data, data);
    break;
  case SyncedMemory::HEAD_AT_GPU:
  case SyncedMemory::SYNCED:
#ifndef CPU_ONLY
    data = gpu_data();
    caffe_gpu_dot(count_, data, data, &sumsq);
#else
    NO_GPU;
#endif
    break;
  case SyncedMemory::UNINITIALIZED:
    return 0;
  default:
    LOG(FATAL) << "Unknown SyncedMemory head state: " << data_->head();
  }
  return sumsq;
}

 Dtype sumsq_diff() const;
7、其他相关操作
(1)幅度缩放
未实现： 
emplate <> void Blob<unsigned int>::scale_data(unsigned int scale_factor)
template <> void Blob<int>::scale_data(int scale_factor) 
template <> void Blob<unsigned int>::scale_diff(unsigned int scale_factor)
template <> void Blob<int>::scale_diff(int scale_factor)

template <typename Dtype>
void Blob<Dtype>::scale_data(Dtype scale_factor) {
  Dtype* data;
  if (!data_) { return; }
  switch (data_->head()) {
  case SyncedMemory::HEAD_AT_CPU:
    data = mutable_cpu_data();
    caffe_scal(count_, scale_factor, data);//data[i]=data[i]*scale_factor
    return;
  case SyncedMemory::HEAD_AT_GPU:
  case SyncedMemory::SYNCED:
#ifndef CPU_ONLY
    data = mutable_gpu_data();
    caffe_gpu_scal(count_, scale_factor, data);
    return;
#else
    NO_GPU;
#endif
  case SyncedMemory::UNINITIALIZED:
    return;
  default:
    LOG(FATAL) << "Unknown SyncedMemory head state: " << data_->head();
  }
}

template <typename Dtype>
void Blob<Dtype>::scale_diff(Dtype scale_factor)
(2)判断形状是否相同 

template <typename Dtype>
bool Blob<Dtype>::ShapeEquals(const BlobProto& other) {
  if (other.has_num() || other.has_channels() ||
      other.has_height() || other.has_width()) {
    // Using deprecated 4D Blob dimensions --
    // shape is (num, channels, height, width).
    // Note: we do not use the normal Blob::num(), Blob::channels(), etc.
    // methods as these index from the beginning of the blob shape, where legacy
    // parameter blobs were indexed from the end of the blob shape (e.g., bias
    // Blob shape (1 x 1 x 1 x N), IP layer weight Blob shape (1 x 1 x M x N)).
    return shape_.size() <= 4 &&
           LegacyShape(-4) == other.num() &&
           LegacyShape(-3) == other.channels() &&
           LegacyShape(-2) == other.height() &&
           LegacyShape(-1) == other.width();
  }
//直接比较
  vector<int> other_shape(other.shape().dim_size());
  for (int i = 0; i < other.shape().dim_size(); ++i) {
    other_shape[i] = other.shape().dim(i);
  }
  return shape_ == other_shape;
}
(3)拷贝Blob节点 

template <typename Dtype>
void Blob<Dtype>::CopyFrom(const Blob& source, bool copy_diff, bool reshape) {
  if (source.count() != count_ || source.shape() != shape_) {
    if (reshape) {
      ReshapeLike(source);//如果拷贝的维数与目标维数不想等且需要变维，执行变维操作
    } else {//如果变维条件为假
      LOG(FATAL) << "Trying to copy blobs of different sizes.";
    }
  }
  switch (Caffe::mode()) {
  case Caffe::GPU:
    if (copy_diff) {//如果拷贝增量为真
      caffe_copy(count_, source.gpu_diff(),
          static_cast<Dtype*>(diff_->mutable_gpu_data()));
    } else {
      caffe_copy(count_, source.gpu_data(),
          static_cast<Dtype*>(data_->mutable_gpu_data()));
    }
    break;
  case Caffe::CPU:
    if (copy_diff) {
      caffe_copy(count_, source.cpu_diff(),
          static_cast<Dtype*>(diff_->mutable_cpu_data()));
    } else {
      caffe_copy(count_, source.cpu_data(),
          static_cast<Dtype*>(data_->mutable_cpu_data()));
    }
    break;
  default:
    LOG(FATAL) << "Unknown caffe mode.";
  }
}
(4)从磁盘中将Blob节点导入 

template <typename Dtype>
void Blob<Dtype>::FromProto(const BlobProto& proto, bool reshape) {
  if (reshape) {//从BlobProto对象中获取所需的各个维度的信息
    vector<int> shape;
    if (proto.has_num() || proto.has_channels() ||
        proto.has_height() || proto.has_width()) {
      // Using deprecated 4D Blob dimensions --
      // shape is (num, channels, height, width).(过时的维度信息)
      shape.resize(4);
      shape[0] = proto.num();
      shape[1] = proto.channels();
      shape[2] = proto.height();
      shape[3] = proto.width();
    } else {
      shape.resize(proto.shape().dim_size());
      for (int i = 0; i < proto.shape().dim_size(); ++i) {
        shape[i] = proto.shape().dim(i);
      }
    }
    Reshape(shape);//变维
  } else 
    CHECK(ShapeEquals(proto)) << "shape mismatch (reshape not set)";
  }
  // copy data
  Dtype* data_vec = mutable_cpu_data();
  if (proto.double_data_size() > 0) {//如果之前保存的为double类型的参数
    CHECK_EQ(count_, proto.double_data_size());
    for (int i = 0; i < count_; ++i) {
      data_vec[i] = proto.double_data(i);//加载数据
    }
  } else {
    CHECK_EQ(count_, proto.data_size());
    for (int i = 0; i < count_; ++i) {
      data_vec[i] = proto.data(i);//否则加载float类型的数据
    }
  }
  if (proto.double_diff_size() > 0) {
    CHECK_EQ(count_, proto.double_diff_size());
    Dtype* diff_vec = mutable_cpu_diff();
    for (int i = 0; i < count_; ++i) {
      diff_vec[i] = proto.double_diff(i);
    }
  } else if (proto.diff_size() > 0) {
    CHECK_EQ(count_, proto.diff_size());
    Dtype* diff_vec = mutable_cpu_diff();
    for (int i = 0; i < count_; ++i) {
      diff_vec[i] = proto.diff(i);
    }
  }
}
(5)将Blob数据保存到磁盘上 

template <>
void Blob<double>::ToProto(BlobProto* proto, bool write_diff) const {
  proto->clear_shape();
  for (int i = 0; i < shape_.size(); ++i) {
    proto->mutable_shape()->add_dim(shape_[i]);
  }
  proto->clear_double_data();
  proto->clear_double_diff();
  const double* data_vec = cpu_data();
  for (int i = 0; i < count_; ++i) {
    proto->add_double_data(data_vec[i]);
  }
  if (write_diff) {
    const double* diff_vec = cpu_diff();
    for (int i = 0; i < count_; ++i) {
      proto->add_double_diff(diff_vec[i]);
    }
  }
}

template <>
void Blob<float>::ToProto(BlobProto* proto, bool write_diff) const {
  proto->clear_shape();//重置proto的维度
  for (int i = 0; i < shape_.size(); ++i) {
    proto->mutable_shape()->add_dim(shape_[i]);
  }
  proto->clear_data();//清除data
  proto->clear_diff();//清除diff
  const float* data_vec = cpu_data();//将data导出proto
  for (int i = 0; i < count_; ++i) {
    proto->add_data(data_vec[i]);
  }
  if (write_diff) {
    const float* diff_vec = cpu_diff();
    for (int i = 0; i < count_; ++i) {
      proto->add_diff(diff_vec[i]);
    }
  }
}
















wxplol
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
在PyCaffe中读取/修改Blobs
正负0度
11-28 2591
在PyCaffe中可以读取或修改Blobs，这一过程中通常会遇到两个常见问题，由于PyCaffe缺少官方文档，这里特别针对这两个问题进行解释说明。
caffe源码分析-Blob
常思考->有目标->重实践->善反思
09-12 2926
本文主要分析caffe源码分析-Blob，主要如下几个方面： overview整体上了解caffe的Blob Blob 成员变量 Blob主要函数，核心在于Blob的使用实例以及其与opencv Mat的操作的相互转化(附带运行结果基于CLion) overview Blob 是Caffe作为数据传输的媒介，无论是网络权重参数，还是输入数据，都是转化为Blob数据结构来存储，网络，求解器...
Caffe中的Blob数据结构
liuxiangxxl的博客
01-23 1248
Blob是caffe最基础的数据结构。它有4维[num_,channels_,height_,width_] 我们通过代码来看看 #include &lt;vector&gt; #include &lt;iostream&gt; #include &lt;caffe/blob.hpp&gt; using namespace caffe; using namespace std; int ma...
caffe源码分析之数据结构Blob
浪子荆的博客
08-07 330
Caffe提供了一些基础的数据结构，从上到下包括net —>layer —>blob. 可以看出blob就是构成caffe大厦的最基础的砖头。本篇就来介绍一下Blob类的一些知识。 1.Blob类是caffe用来存储数据的类，是caffe的基本存储单元，提供了一些列接口来set数据，get数据，同时可以存储diff。Blob不仅可以存放比如图像等数据以及数据的diff，还可以存放权值以...
caffe源码阅读之Blob数据块
Charel_CHEN的博客
07-21 532
Blob数据块 Blob数据块是Caffe最基本，也是最重要的模块，Blob数据块用来存储 每一层数据的输入、输出以及每一层的权值，可以说Blob是Caffe的基石。 Blob数据块 blob头文件 SyncedMemory头文件 SyncedMemory源文件 Blob源文件 blob头文件 头文件中，定义了简单的内联函数，以及一些成员变量，最重要的是data_, d...
剖析Caffe源码之Blob
weixin_42730667的博客
10-12 705
目录 介绍 用例 Class Blob Blob主要源码分析 Blob构造函数 Blob各个维度大小设置 Blob维度信息获取 Blob计算偏移量 Blob数据存储与读取相关操作 Blob数据操作 Blob源码总结 SyncedMemory ClassSyncedMemory SyncedMemory源码分析 SyncedMemory构造函数 CPU内存相关操作...
Caffe源码分析--Blob代码分析
happyday_d的博客
11-18 362
Blob代码分析 1.原理分析 Caffe使用Blob结构在CNN网络中存储、传递、修改数据。 ​ 对于批量2D图像数据，Blob的维度为： 图像数量N × 通道数C × 图像高度H × 图像宽度W ​ 在此种场景下，Blob使用4维坐标定位数据，如（n, c, h, w），其中n为图像序号（0到N-1），c为通道序号（0到C-1）,h为图像行序（0到H-1），w为图像列序（0到W-1）。那么我们...
caffe源码阅读——Blob类
Darlewo
06-08 340
转载自：https://blog.csdn.net/u010327085/article/details/50448912 最近，在windows下用vs2013编译通过了caffe。现想在vs2013中来阅读学习caffe的源码，边学边记录。caffe的windows版本，我是参考了这里。 http://blog...
caffe源代码解析
07-10
总之，理解Caffe的Blob源代码对于深入学习和定制Caffe框架至关重要。Blob不仅负责数据的存储，还与计算过程密切相关，是Caffe高效运行的基础。通过源代码解析，我们可以更好地掌握Caffe的工作原理，从而在实际应用中...
caffe源代码解析1
08-08
《Caffe源代码解析——Blob基础理解》 Caffe，作为一个高效的深度学习框架，其核心组件之一便是Blob。Blob在Caffe中扮演着至关重要的角色，它是一个四维数组，用于存储神经网络中的数据，包括输入、输出以及权重等...
深度学习框架Caffe源码解析
02-25
本文将从整体架构和底层实现的视角，对Caffe源码进行解析。Caffe框架主要有五个组件，Blob，Solver，Net，Layer，Proto，其结构图如下图1所示。Solver负责深度网络的训练，每个Solver中包含一个训练网络对象和一个...
caffe源码简单解析1
08-08
标题中的“caffe源码简单解析1”表明我们将探讨深度学习框架Caffe的源代码，而描述提到了`caffe_cpu_gemm`函数，这是Caffe中用于执行矩阵乘法的一个关键部分。标签“caffe 软件/插件”进一步确认我们关注的是Caffe这...
Faster-Rcnn的loss曲线可视化
wxplol的博客
06-24 8345
由于要写论文需要画loss曲线，查找网上的loss曲线可视化的方法发现大多数是基于Imagenat的一些方法，在运用到Faster-Rcnn上时没法用，本人不怎么会编写代码，所以想到能否用python直接写一个代码，读取txt然后画出来，参考大神们的博客，然后总和总算一下午时间，搞出来了，大牛们不要见笑。         首先，在训练Faster-Rcnn时会自己生成log文件，大概在/py-f
vs2013调用caffe的配置过程（GPU版本）
wxplol的博客
11-12 625
关于caffe的配置过程博客上有好多在这就不详细说明，当我们学习了一些官方文档后能否自己调用caffe里面的一些功能，那么这篇文章可能会帮助你。 在配置已经安装好的caffe之前，如果你想在新建一个工程时继续用已有的配置那么最好创建一个配置文件，方便以后的使用。废话不多说马上开始 一、新建配置文件caffe_project 首先用vs创建一个新的工程这里不多说大家都会，在创建配置文件之前需要
caffe源码阅读之layer(2)——Euclidean_loss_layer层
wxplol的博客
11-23 584
因为项目需要作点的定位所以需要用到euclidean_loss_layer 层，这里特别的看了一下该层的实现源码，位置 E:\Caffe\caffe-windows\include\caffe\layers\euclidean_loss_layer.hpp和E:\Caffe\caffe-windows\src\caffe\layers\euclidean_loss_layer.cpp 一、损失
caffe源码阅读之layer(2)——DataLayer层（2）
wxplol的博客
11-19 324
四、数据转换器 主要用于对原始数据预处理的方法，包括：随机切块、随机镜像、幅度缩放、去均值和灰度/色度变换等。数据转换器的类为 DataTransformer 成员变量 TransformationParameter param_;//变换参数,该参数由ProtoBuffer生成 shared_ptr rng_;//随机数生成器 Phase phase_;//当前的运行阶段
caffe源码阅读之layer(2)——DataLayer层
wxplol的博客
11-19 300
caffe数据读取层是layer的派生类，用于读取LMDB、LEVELDB,也可以直接读取图片，下面看看caffe怎么读取数据的，该代码的实现在 E:\Caffe\caffe-windows\src\caffe\layers中的base_data_layer.cpp和E:\Caffe\caffe-windows\include\caffe\layers中的base_data_layer.hpp
caffe源码阅读之layer(1)
wxplol的博客
11-17 300
Layer为caffe的计算单元，部分Layer带有权值和偏置项，有两个运算方向：前向传播和反向传播；在E:\Caffe\caffe-windows\src\caffe\proto中caffe.proto message LayerParameter {} 记录了每一个新增的LayerParameter参数，如果自定义了一个卷积等相关的层需要再这定义并修改ID(136之后)     首先来看l
Caffe源码解析：Blob类详解
"这篇文章除了介绍Caffe框架的基础知识，主要关注Caffe源代码中的Blob类。Blob是Caffe中的一个核心组件，用于存储数据，如输入、输出和权重。作者通过阅读源码，解析了Blob的相关内容，包括其在Caffe三层架构中的...
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