caffe源码阅读之layer(2)——Euclidean_loss_layer层

             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、损失函数公式
Euclidean loss layer 计算两个输入的差的平方和：

二、代码具体实现
Euclidean loss layer是通过EuclideanLossLayer类实现，该类主要继承LossLayer类
1、构造函数

 explicit EuclideanLossLayer(const LayerParameter& param): LossLayer<Dtype>(param), diff_() {}

2、 变维函数

 template <typename Dtype>
void EuclideanLossLayer<Dtype>::Reshape(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
  LossLayer<Dtype>::Reshape(bottom, top);
  CHECK_EQ(bottom[0]->count(1), bottom[1]->count(1))//保证输入维度相同
      << "Inputs must have the same dimension.";
  diff_.ReshapeLike(*bottom[0]);
}

3、前向传播和反向传播

template <typename Dtype>
void EuclideanLossLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {
  int count = bottom[0]->count();
  caffe_sub(
      count,
      bottom[0]->cpu_data(),
      bottom[1]->cpu_data(),
      diff_.mutable_cpu_data());//预测和标签的差值
  Dtype dot = caffe_cpu_dot(count, diff_.cpu_data(), diff_.cpu_data());//diff_增量的平方
  Dtype loss = dot / bottom[0]->num() / Dtype(2);//损失函数的值，除以总数再除以2
  top[0]->mutable_cpu_data()[0] = loss;
}

template <typename Dtype>
void EuclideanLossLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,
    const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom) {
  for (int i = 0; i < 2; ++i) {
    if (propagate_down[i]) {//对于输入的第i个Blob propagate_dowm 为1（该变量即为该Blob输入后是否要向前面的层提供反向传播的梯度）  
      const Dtype sign = (i == 0) ? 1 : -1;
      const Dtype alpha = sign * top[0]->cpu_diff()[0] / bottom[i]->num();//对输入求导loss/N
      caffe_cpu_axpby(
          bottom[i]->count(),              // count
          alpha,                              // alpha
          diff_.cpu_data(),                   // a
          Dtype(0),                           // beta
          bottom[i]->mutable_cpu_diff());  // b
    }//结果：b=alpha*a+beta*b
  }
}