caffe源码——Euclidean Loss是怎么实现的

引用：

http://blog.csdn.net/fangjin_kl/article/details/54131144

损失函数：

对的偏导：

对的偏导：-

forward_cpu：

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());//diff_ = bottom[0] - bottom[1]  Dtype dot = caffe_cpu_dot(count, diff_.cpu_data(), diff_.cpu_data());  // dot = ||diff_||^2  Dtype loss = dot / bottom[0]->num() / Dtype(2);//输出的loss  top[0]->mutable_cpu_data()[0] = loss;}

backward_cpu：

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label bottom propagate_dowm 为0      const Dtype sign = (i == 0) ? 1 : -1;//由于diff_ = bottom[0] - bottom[1]      const Dtype alpha = sign * top[0]->cpu_diff()[0] / bottom[i]->num();      caffe_cpu_axpby(          bottom[i]->count(),              // count          alpha,                              // alpha          diff_.cpu_data(),                   // a          Dtype(0),                           // beta          bottom[i]->mutable_cpu_diff());  // b    }//bottom[i]->mutable_cpu_diff()) = alpha*diff_.cpu_data()  }}

forward_cpu里就是按照损失函数的样式计算损失，并且将损失保存到top[0]->cpu_data()[0]中。其中有用的是计算得到的diff_->cpu_data()。

backward_cpu里的两个for循环就是就是分别计算对的偏导和对对的偏导，其中sign是正负号，用于控制是对还是对求偏导，而top[0]->cpu_diff()[0]是在网络的定义中（即prototxt文件中），loss层的定义中设置的loss_weight：1.0，即top[0]->cpu_diff()[0]=1.0，则alpha就是1/n或者-1/n，而diff_.cpu_data()=-，caffe_cpu_axpby()得到了1*(-)/n即对的偏导，和-1*(-)/n即对的偏导，并把结果存到bottom[i]->cpu_diff()中，用以传向前面的层。

更多参考：

http://blog.csdn.net/seashell_9/article/details/68064294