本文从CSDN上转移过来地址：
http://blog.csdn.net/mounty_fsc/article/details/51090306
1. Solver到Net
在SGDSolver的构造函数中详见本系列博文（二），主要执行了其父类Solver的构造函数，接着执行Solver::Init()函数，在Init()中，有两个函数值得注意：InitTrainNet()和InitTestNets()分别初始化训练网络和测试网络。
-
InitTrainNet
- 首先，
ReadNetParamsFromTextFileOrDie(param_.net(), &net_param)把param_.net()（即examples/mnist/lenet_train_test.prototxt）中的信息读入net_param。 - 其次，
net_.reset(new Net<Dtype>(net_param))重新构建网络，调用Net的构造方法。 - 然后，在构造方法中执行
Net::init()，开始正式创建网络。其主要代码如下：
- 首先，
template <typename Dtype>
void Net<Dtype>::Init(const NetParameter& in_param) {
...
for (int layer_id = 0; layer_id < param.layer_size(); ++layer_id) {
// Setup layer.
const LayerParameter& layer_param = param.layer(layer_id);
layers_.push_back(LayerRegistry<Dtype>::CreateLayer(layer_param));
// Figure out this layer's input and output
for (int bottom_id = 0; bottom_id < layer_param.bottom_size(); ++bottom_id) {
const int blob_id = AppendBottom(param, layer_id, bottom_id, &available_blobs, &blob_name_to_idx);
// If a blob needs backward, this layer should provide it.
need_backward |= blob_need_backward_[blob_id];
}
int num_top = layer_param.top_size();
for (int top_id = 0; top_id < num_top; ++top_id) {
AppendTop(param, layer_id, top_id, &available_blobs, &blob_name_to_idx);
}
...
layers_[layer_id]->SetUp(bottom_vecs_[layer_id], top_vecs_[layer_id]);
...
}
for (int param_id = 0; param_id < num_param_blobs; ++param_id) {
AppendParam(param, layer_id, param_id);
}
...
}
```
**说明：**
1. Lenet5在caffe中共有9层，即`param.layer_size() == 5`，以上代码每一次for循环创建一个网络层
2. 每层网络是通过`LayerRegistry::CreateLayer()`创建的，类似与Solver的创建（详见本系列博文（二））
3. 14行`Net::AppendBottom()`，对于`layer_id`这层，从`Net::blob_`中取出blob放入该层对应的`bottom_vecs_[layer_id]`中
4. 20行`Net::AppendTop()`，对于`layer_id`这层，创建`blob`（未包含数据）并放入`Net::blob_`中
5. `Layer::SetUp()`
6. `AppendParam`中把每层网络的训练参数与网络变量`learnable_params_`绑定，在lenet中，只有`conv1`,`conv2`,`ip1`,`ip2`四层有参数，每层分别有参数与偏置参数两项参数，因而`learnable_params_`的size为8.
-
InitTestNets
<font color="red">该部分内容见本系列博文：（Caffe，Lenet5）初始化测试网络（四）。</font>
2 训练网络结构
| 序 | Layer | layer Type Bottom | Blob Top | Blob Top | Blob Shape |
|---|---|---|---|---|---|
| 1 | minst | Data | data&&label | 64 1 28 28 (50176) && 64 (64) | |
| 2 | conv1 | Convolution | data | conv1 | 64 20 24 24 (737280) |
| 3 | pool1 | Pooling | conv1 | pool1 | 64 20 12 12 (184320) |
| 4 | conv2 | Convolution | pool1 | conv2 | 64 50 8 8 (204800) |
| 5 | pool2 | Pooling | conv2 | pool2 | 64 50 4 4 (51200) |
| 6 | ip1 | InnerProduct | pool2 | ip1 | 64 500 (32000) |
| 7 | relu1 | ReLU | ip1 | ip1(in-place) | 64 500 (32000) |
| 8 | ip2 | InnerProduct | ip1 | ip2 | 64 10 (640) |
| 9 | loss | SoftmaxWithLoss | ip2&&label | loss | (1) |
注：Top Blob Shape格式为：BatchSize，ChannelSize，Height，Width（Total Count）
3 第一层：Data Layer
3.1 protobuff定义
训练网络的第一层protobuff定义为：
layer {
name: "mnist"
type: "Data"
top: "data"
top: "label"
include {
phase: TRAIN
}
transform_param {
scale: 0.00390625
}
data_param {
source: "examples/mnist/mnist_train_lmdb"
batch_size: 64
backend: LMDB
}
}
3.2 函数LayerRegistry::CreateLayer
第1节中代码第一次通过调用LayerRegistry::CreateLayer()创建了DataLayer类，DataLayer类的继承关系如下图所示，详见[1]：
由继承图可知，调用DataLayer()的构造函数，依次执行的顺序为其基类构造函数：Layer()、BaseDataLayer()、InternalThread()（详见（Caffe）基本类InternalThread（三） ）、BasePrefetchingDataLayer()、及DataLayer()。
其中，值得注意的是DataLayer()，在调用基类构造函数BasePrefetchingDataLayer()之后，对 DataReader reader_ 进行赋值，在该DataLayer对象中维护了一个DataReader对象reader_，其作用是添加读取数据任务至，一个专门读取数据库（examples/mnist/mnist_train_lmdb）的线程（若还不存在该线程，则创建该线程），此处一共取出了4*64个样本至BlockingQueue<Datum*> DataReader::QueuePair::full_。详见（Caffe）基本类DataReader、QueuePair、Body（四）
template <typename Dtype>
DataLayer<Dtype>::DataLayer(const LayerParameter& param)
: BasePrefetchingDataLayer<Dtype>(param),
reader_(param) {
}
3.3 函数Layer::SetUp
此处按程序执行顺序值得关注的有：
在DataLayer::DataLayerSetUp中根据3.2DataReader中介绍的读取的数据中取出一个样本推测blob的形状-
BasePrefetchingDataLayer::LayerSetUp如下代码prefetch_[i].data_.mutable_cpu_data()用到了涉及到gpu、cpu间复制数据的问题，见（Caffe）基本类Blob，Layer，Net（一）1.4SyncedMemory及引用[2]// Before starting the prefetch thread, we make cpu_data and gpu_data // calls so that the prefetch thread does not accidentally make simultaneous // cudaMalloc calls when the main thread is running. In some GPUs this // seems to cause failures if we do not so. for (int i = 0; i < PREFETCH_COUNT; ++i) { prefetch_[i].data_.mutable_cpu_data(); if (this->output_labels_) { prefetch_[i].label_.mutable_cpu_data(); } } BasePrefetchingDataLayer类继承了InternalThread，BasePrefetchingDataLayer<Dtype>::LayerSetUp中通过调用StartInternalThread()开启了一个新线程，从而执行BasePrefetchingDataLayer::InternalThreadEntry-
BasePrefetchingDataLayer::InternalThreadEntry关键代码如下，其中load_batch(batch)为，从2.2介绍的BlockingQueue<Datum*> DataReader::QueuePair::full_（包含从数据库读出的数据）中读取一个batch_size的数据到BlockingQueue<Batch<Dtype>*> BasePrefetchingDataLayer::prefetch_full_中。由于该线程在prefetch_free_为空时将挂起等待（PREFETCH_COUNT=3），prefetch_full_中用完的Batch将放回prefetch_free_中。<u>该线程何时停止？</u>while (!must_stop()) { Batch<Dtype>* batch = prefetch_free_.pop(); load_batch(batch); #ifndef CPU_ONLY if (Caffe::mode() == Caffe::GPU) { batch->data_.data().get()->async_gpu_push(stream); CUDA_CHECK(cudaStreamSynchronize(stream)); } #endif prefetch_full_.push(batch); }
关于线程的总结：
- 此外一共涉及到两个线程，分别为都是继承了
InnerThread的BasePrefetchingDataLayer(DataLayer)类和DataReader中的Body类 -
Body为面向数据库的线程，不断从某个数据库中读出数据，存放至缓存为队列DataReader::QueuePair::BlockingQueue<Datum*>，一般保存4*64个单位数据，单位为Datum -
BasePrefetchingDataLayer为面向网络的线程，从Body的缓存中不断读取数据。BasePrefetchingDataLayer的缓存为队列BlockingQueue<Batch*>，一般存放3个单位的数据，单位为Batch
static const int PREFETCH_COUNT = 3;
Batch<Dtype> prefetch_[PREFETCH_COUNT];
BlockingQueue<Batch<Dtype>*> prefetch_free_;
BlockingQueue<Batch<Dtype>*> prefetch_full_;
template <typename Dtype>
BasePrefetchingDataLayer<Dtype>::BasePrefetchingDataLayer(
const LayerParameter& param)
: BaseDataLayer<Dtype>(param),
prefetch_free_(), prefetch_full_() {
for (int i = 0; i < PREFETCH_COUNT; ++i) {
prefetch_free_.push(&prefetch_[i]);
}
}
-
prefetch_full_与prefetch_free_中的元素由prefetch_提供
4 第二层：Convolution Layer
4.1 protobuff定义
layer {
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 20
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
4.2 函数LayerRegistry::CreateLayer
说明：
- 不像DataLayer 直接执行的是构造函数，此时执行的是
GetConvolutuionLayer()，然后调用ConvolutionLayer()，原因如下：
REGISTER_LAYER_CREATOR(Convolution, GetConvolutionLayer);
4.3 Layer::SetUp
在Layer::SetUp中，调用了ConvolutionLayer的基类BaseConvolutionLayer的LayerSetUp及Reshape函数，该类的主要成员变量如下：
/**
* @brief Abstract base class that factors out the BLAS code common to
* ConvolutionLayer and DeconvolutionLayer.
*/
template <typename Dtype>
class BaseConvolutionLayer : public Layer<Dtype> {
public:
explicit BaseConvolutionLayer(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);
...
/// @brief The spatial dimensions of a filter kernel.
Blob<int> kernel_shape_;
/// @brief The spatial dimensions of the stride.
Blob<int> stride_;
/// @brief The spatial dimensions of the padding.
Blob<int> pad_;
/// @brief The spatial dimensions of the dilation.
Blob<int> dilation_;
/// @brief The spatial dimensions of the convolution input.
Blob<int> conv_input_shape_;
/// @brief The spatial dimensions of the col_buffer.
vector<int> col_buffer_shape_;
/// @brief The spatial dimensions of the output.
vector<int> output_shape_;
const vector<int>* bottom_shape_;
...
};
说明：
- LayerSetUp函数中，主要是初始化了kernel_shape_、stride_、pad_、dilation_以及初始化网络参数，并存放与Layer::blobs_中。
- Reshape函数中，conv_input_shape_、bottom_shape_等
5 第三层：Pooling Layer
5.1 protobuff定义
layer {
name: "pool1"
type: "Pooling"
bottom: "conv1"
top: "pool1"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}
5.2 Layer::SetUp
通过调用虚函数LayerSetUp及Reshape对以下成员变量进行初始化
/**
* @brief Pools the input image by taking the max, average, etc. within regions.
*
* TODO(dox): thorough documentation for Forward, Backward, and proto params.
*/
template <typename Dtype>
class PoolingLayer : public Layer<Dtype> {
....
int kernel_h_, kernel_w_;
int stride_h_, stride_w_;
int pad_h_, pad_w_;
int channels_;
int height_, width_;
int pooled_height_, pooled_width_;
bool global_pooling_;
Blob<Dtype> rand_idx_;
Blob<int> max_idx_;
};
6 第四层、第五层
基本同第二层、第三层
7 第六层：InnerProduct Layer
7.1 protobuff定义
layer {
name: "ip1"
type: "InnerProduct"
bottom: "pool2"
top: "ip1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 500
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}
7.2 Layer::SetUp
/**
* @brief Also known as a "fully-connected" layer, computes an inner product
* with a set of learned weights, and (optionally) adds biases.
*
* TODO(dox): thorough documentation for Forward, Backward, and proto params.
*/
template <typename Dtype>
class InnerProductLayer : public Layer<Dtype> {
...
int M_;
int K_;
int N_;
bool bias_term_;
Blob<Dtype> bias_multiplier_;
};
说明：
- N_为输出大小，即等于
protobuff中定义的num_output - K_为输入大小，对于该层
Bottom Blob形状为(N, C, H, W)，N为batch_size，K_=CHW（Caffe）基本类Blob，Layer，Net（一），M_=N。其中只有C、H、W跟内积相关
8 第七层：ReLU Layer
8.1 protobuff定义
layer {
name: "relu1"
type: "ReLU"
bottom: "ip1"
top: "ip1"
}
8.2 说明
ReLULayer主要是用来做计算的，其继承关系如下，详细参加[4]、[5]
9 第八层：InnerProduct Layer
参见第7节
10 第九层：SoftmaxWithLoss Layer
10.1 protobuff定义
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip2"
bottom: "label"
top: "loss"
}
10.2 LayerRegistry::CreateLayer
10.3 Layer::SetUp
值得注意的是：
类
SoftmaxWithLossLayer包含类SoftmaxLayer的实例
shared_ptr<Layer<Dtype> > softmax_layer_softmax_layer_在LayerSetUp中赋值。此函数内调用Layer::SetLossWeights初始化了该层的Top Blob（loss）
-
两个类间的关系如下图：
这里写图片描述 成员变量prob_作为Softmaxlayer的top blob
bottom blob[0]作为softmaxlayer的bottom blob
所以经过softmaxlayer计算之后，得出64*10（每个样本的每个类别上的概率）存放在prob_中
11 剩余的工作
至此，训练网络基本创建完毕，接下来剩下的工作主要有：
- 反向检查一次网络，看哪些blobs会对loss产生影响，在LeNet5中，前面的9层均有影响
- 初始化权值共享
[1].http://caffe.berkeleyvision.org/doxygen/classcaffe_1_1BasePrefetchingDataLayer.html
[2].http://caffe.berkeleyvision.org/tutorial/net_layer_blob.html Implementation Details
[3].http://caffe.berkeleyvision.org/doxygen/classcaffe_1_1ConvolutionLayer.html
[4].http://caffe.berkeleyvision.org/doxygen/classcaffe_1_1ReLULayer.html
[5].http://caffe.berkeleyvision.org/tutorial/layers.html ReLU / Rectified-Linear and Leaky-ReLU
