caffe源码详解3

本文转自

Caffe代码解析(4)

CAFFE代码解析(4) WAS PUBLISHED ON JANUARY 13, 2016 (REVISED: 01/13/2016) XUESONG

作者对于代码的解析非常细致，对于初学者有很大参考价值，值得仔细钻研。

在上文对Command Line Interfaces进行了简单的介绍之后，本文将对caffe的Solver相关的代码进行分析。

本文将主要分为四部分的内容：

• Solver的初始化（Register宏和构造函数）
• SIGINT和SIGHUP信号的处理
• Solver::Solve()具体实现
• SGDSolver::ApplyUpdate具体实现

Solver的初始化（Register宏和构造函数）

shared_ptr<caffe::Solver<float> >    solver(caffe::SolverRegistry<float>::CreateSolver(solver_param));

caffe.cpp中的train函数中通过上面的代码定义了一个指向Solver<float>的shared_ptr。其中主要是通过调用SolverRegistry这个类的静态成员函数CreateSolver得到一个指向Solver的指针来构造shared_ptr类型的solver。而且由于C++多态的特性，尽管solver是一个指向基类Solver类型的指针，通过solver这个智能指针来调用各个成员函数会调用到各个子类(SGDSolver等)的函数。具体的过程如下面的流程图所示：

Create solver

下面我们就来具体看一下SolverRegistry这个类的代码，以便理解是如何通过同一个函数得到不同类型的Solver：

 1 class SolverRegistry { 2  public: 3   typedef Solver<Dtype>* (*Creator)(const SolverParameter&); 4   typedef std::map<string, Creator> CreatorRegistry; 5   static CreatorRegistry& Registry() { 6     static CreatorRegistry* g_registry_ = new CreatorRegistry(); 7     return *g_registry_; 8   } 9   static void AddCreator(const string& type, Creator creator) {10     CreatorRegistry& registry = Registry();11     CHECK_EQ(registry.count(type), 0)12         << "Solver type " << type << " already registered.";13     registry[type] = creator;14   }15   static Solver<Dtype>* CreateSolver(const SolverParameter& param) {16     const string& type = param.type();17     CreatorRegistry& registry = Registry();18     CHECK_EQ(registry.count(type), 1) << "Unknown solver type: " << type19         << " (known types: " << SolverTypeListString() << ")";20     return registry[type](param);21   }22   static vector<string> SolverTypeList() {23     CreatorRegistry& registry = Registry();24     vector<string> solver_types;25     for (typename CreatorRegistry::iterator iter = registry.begin();26          iter != registry.end(); ++iter) {27       solver_types.push_back(iter->first);28     }29     return solver_types;30   }31  private:32   SolverRegistry() {}33   static string SolverTypeListString() {34     vector<string> solver_types = SolverTypeList();35     string solver_types_str;36     for (vector<string>::iterator iter = solver_types.begin();37          iter != solver_types.end(); ++iter) {38       if (iter != solver_types.begin()) {39         solver_types_str += ", ";40       }41       solver_types_str += *iter;42     }43     return solver_types_str;44   }45 };

首先需要注意的是这个类的构造函数是private的，也就是用我们没有办法去构造一个这个类型的变量，这个类也没有数据成员，所有的成员函数也都是static的，可以直接调用。

我们首先从CreateSolver函数(第15行)入手，这个函数先定义了string类型的变量type，表示Solver的类型(‘SGD’/’Nestrov’等)，然后定义了一个key类型为string，value类型为Creator的map：registry，其中Creator是一个函数指针类型，指向的函数的参数为SolverParameter类型，返回类型为Solver<Dtype>*(见第2行和第3行)。如果是一个已经register过的Solver类型，那么registry.count(type)应该为1，然后通过registry这个map返回了我们需要类型的Solver的creator，并调用这个creator函数，将creator返回的Solver<Dtype>*返回。

上面的代码中，Registry这个函数（第5行）中定义了一个static的变量g_registry，这个变量是一个指向CreatorRegistry这个map类型的指针，然后直接返回，因为这个变量是static的，所以即使多次调用这个函数，也只会定义一个g_registry，而且在其他地方修改这个map里的内容，是存储在这个map中的。事实上各个Solver的register的过程正是往g_registry指向的那个map里添加以Solver的type为key，对应的Creator函数指针为value的内容。Register的过程如流程图所示：

Register Solver

下面我们具体来看一下Solver的register的过程：

 1 template <typename Dtype> 2 class SolverRegisterer { 3  public: 4   SolverRegisterer(const string& type, 5       Solver<Dtype>* (*creator)(const SolverParameter&)) { 6     // LOG(INFO) << "Registering solver type: " << type; 7     SolverRegistry<Dtype>::AddCreator(type, creator); 8   } 9 };10 #define REGISTER_SOLVER_CREATOR(type, creator)                                 \11   static SolverRegisterer<float> g_creator_f_##type(#type, creator<float>);    \12   static SolverRegisterer<double> g_creator_d_##type(#type, creator<double>)   \13 14 #define REGISTER_SOLVER_CLASS(type)                                            \15   template <typename Dtype>                                                    \16   Solver<Dtype>* Creator_##type##Solver(                                       \17       const SolverParameter& param)                                            \18   {                                                                            \19     return new type##Solver<Dtype>(param);                                     \20   }                                                                            \21   REGISTER_SOLVER_CREATOR(type, Creator_##type##Solver)22 }23 // register SGD Solver24 REGISTER_SOLVER_CLASS(SGD);

在sgd_solver.cpp(SGD Solver对应的cpp文件)末尾有上面第24行的代码，使用了REGISTER_SOLVER_CLASS这个宏，这个宏会定义一个名为Creator_SGDSolver的函数，这个函数即为Creator类型的指针指向的函数，在这个函数中调用了SGDSolver的构造函数，并将构造的这个变量得到的指针返回，这也就是Creator类型函数的作用：构造一个对应类型的Solver对象，将其指针返回。然后在这个宏里又调用了REGISTER_SOLVER_CREATOR这个宏，这里分别定义了SolverRegisterer这个模板类的float和double类型的static变量，这会去调用各自的构造函数，而在SolverRegisterer的构造函数中调用了之前提到的SolverRegistry类的AddCreator函数，这个函数就是将刚才定义的Creator_SGDSolver这个函数的指针存到g_registry指向的map里面。类似地，所有的Solver对应的cpp文件的末尾都调用了这个宏来完成注册，在所有的Solver都注册之后，我们就可以通过之前描述的方式，通过g_registry得到对应的Creator函数的指针，并通过调用这个Creator函数来构造对应的Solver。Register和Create对应的流程图如下所示：

SIGINT和SIGHUP信号的处理

Caffe在train或者test的过程中都有可能会遇到系统信号(用户按下ctrl+c或者关掉了控制的terminal)，我们可以通过对sigint_effect和sighup_effect来设置遇到系统信号的时候希望进行的处理方式：

caffe train –solver=/path/to/solver.prototxt –sigint_effect=EFFECT –sighup_effect=EFFECT

在caffe.cpp中定义了一个GetRequesedAction函数来将设置的string类型的标志转变为枚举类型的变量：

 1 caffe::SolverAction::Enum GetRequestedAction( 2     const std::string& flag_value) { 3   if (flag_value == "stop") { 4     return caffe::SolverAction::STOP; 5   } 6   if (flag_value == "snapshot") { 7     return caffe::SolverAction::SNAPSHOT; 8   } 9   if (flag_value == "none") {10     return caffe::SolverAction::NONE;11   }12   LOG(FATAL) << "Invalid signal effect \""<< flag_value << "\" was specified";13 }14 // SolverAction::Enum的定义15 namespace SolverAction {16   enum Enum {17     NONE = 0,  // Take no special action.18     STOP = 1,  // Stop training. snapshot_after_train controls whether a19                // snapshot is created.20     SNAPSHOT = 2  // Take a snapshot, and keep training.21   };22 }

其中SolverAction::Enum的定义在solver.hpp中，这是一个定义为枚举类型的数据类型，只有三个可能的值，分别对应了三种处理系统信号的方式：NONE(忽略信号什么都不做)/STOP(停止训练)/SNAPSHOT(保存当前的训练状态，继续训练)。在caffe.cpp中的train函数里Solver设置如何处理系统信号的代码为：

1 caffe::SignalHandler signal_handler(2       GetRequestedAction(FLAGS_sigint_effect),3       GetRequestedAction(FLAGS_sighup_effect));4 5 solver->SetActionFunction(signal_handler.GetActionFunction());

FLAGS_sigint_effect和FLAGS_sighup_effect是通过gflags定义和解析的两个Command Line Interface的输入参数，分别对应遇到sigint和sighup信号的处理方式，如果用户不设定(大部分时候我自己就没设定)，sigint的默认值为”stop”，sighup的默认值为”snapshot”。GetRequestedAction函数会将string类型的FLAGS_xx转为SolverAction::Enum类型，并用来定义一个SignalHandler类型的对象signal_handler。我们可以看到这部分代码都依赖于SignalHandler这个类的接口，我们先来看看这个类都做了些什么：

 1 // header file 2 class SignalHandler { 3  public: 4   // Contructor. Specify what action to take when a signal is received. 5   SignalHandler(SolverAction::Enum SIGINT_action, 6                 SolverAction::Enum SIGHUP_action); 7   ~SignalHandler(); 8   ActionCallback GetActionFunction(); 9  private:10   SolverAction::Enum CheckForSignals() const;11   SolverAction::Enum SIGINT_action_;12   SolverAction::Enum SIGHUP_action_;13 };14 // source file15 SignalHandler::SignalHandler(SolverAction::Enum SIGINT_action,16                              SolverAction::Enum SIGHUP_action):17   SIGINT_action_(SIGINT_action),18   SIGHUP_action_(SIGHUP_action) {19   HookupHandler();20 }21 void HookupHandler() {22   if (already_hooked_up) {23     LOG(FATAL) << "Tried to hookup signal handlers more than once.";24   }25   already_hooked_up = true;26   struct sigaction sa;27   sa.sa_handler = &handle_signal;28   // ...29 }30 static volatile sig_atomic_t got_sigint = false;31 static volatile sig_atomic_t got_sighup = false;32 void handle_signal(int signal) {33   switch (signal) {34   case SIGHUP:35     got_sighup = true;36     break;37   case SIGINT:38     got_sigint = true;39     break;40   }41 }42 ActionCallback SignalHandler::GetActionFunction() {43   return boost::bind(&SignalHandler::CheckForSignals, this);44 }45 SolverAction::Enum SignalHandler::CheckForSignals() const {46   if (GotSIGHUP()) {47     return SIGHUP_action_;48   }49   if (GotSIGINT()) {50     return SIGINT_action_;51   }52   return SolverAction::NONE;53 }54 bool GotSIGINT() {55   bool result = got_sigint;56   got_sigint = false;57   return result;58 }59 bool GotSIGHUP() {60   bool result = got_sighup;61   got_sighup = false;62   return result;63 }64 // ActionCallback的含义65 typedef boost::function<SolverAction::Enum()> ActionCallback;

SignalHandler这个类有两个数据成员，都是SolverAction::Enum类型的，分别对应sigint和sighup信号，在构造函数中，用解析FLAGS_xx得到的结果分别给两个成员赋值，然后调用了HookupHandler函数，这个函数的主要作用是定义了一个sigaction类型(应该是系统级别的代码)的对象sa，然后通过sa.sa_handler = &handle_signal来设置，当有遇到系统信号时，调用handle_signal函数来处理，而我们可以看到这个函数的处理很简单，就是判断一下当前的信号是什么类型，如果是sigint就将全局的static变量got_sigint变为true，sighup的处理类似。

在根据用户设置（或者默认值）的参数定义了signal_handler之后，solver通过SetActionFunction来设置了如何处理系统信号。这个函数的输入为signal_handler的GetActionFunction的返回值，根据上面的代码我们可以看到，GetActionFunction会返回signal_handler这个对象的CheckForSignals函数的地址(boost::bind的具体使用请参考boost官方文档)。而在Solver的SetActionFunction函数中只是简单的把Solver的一个成员action_request_function_赋值为输入参数的值，以当前的例子来说就是，solver对象的action_request_function_指向了signal_handler对象的CheckForSignals函数的地址。其中的ActionCallback是一个函数指针类型，指向了参数为空，返回值为SolverAction::Enum类型的函数(boost::function具体用法参考官方文档)。

总结起来，我们通过定义一个SignalHandler类型的对象，告知系统在遇到系统信号的时候回调handle_signal函数来改变全局变量got_sigint和got_sighup的值，然后通过Solver的接口设置了其遇到系统函数将调用signal_handler的Check函数，这个函数实际上就是去判断当前是否遇到了系统信号，如果遇到某个类型的信号，就返回我们之前设置的处理方式(SolverAction::Enum类型)。剩余的具体处理再交给Solver的其它函数，后面会具体分析。

Solver::Solve()具体实现

Solve函数实现了具体的网络的优化过程，下面我们来具体分析一下这部分的代码，分析见注释：

 1 void Solver<Dtype>::Solve(const char* resume_file) { 2 // 检查当前是否是root_solver(多GPU模式下，只有root_solver才运行这一部分的代码) 3   CHECK(Caffe::root_solver()); 4 // 然后输出learning policy(更新学习率的策略) 5   LOG(INFO) << "Solving " << net_->name(); 6   LOG(INFO) << "Learning Rate Policy: " << param_.lr_policy(); 7 // requested_early_exit_`一开始被赋值为false，也就是现在没有要求在优化结束前退出 8   requested_early_exit_ = false; 9 // 判断`resume_file`这个指针是否NULL，如果不是则需要从resume_file存储的路径里读取之前训练的状态10   if (resume_file) {11     LOG(INFO) << "Restoring previous solver status from " << resume_file;12     Restore(resume_file);13   }14 // 然后调用了'Step'函数，这个函数执行了实际的逐步的迭代过程15   Step(param_.max_iter() - iter_);16 // 迭代结束或者遇到系统信号提前结束后，判断是否需要在训练结束之后snapshot17 // 这个可以在solver.prototxt里设置18   if (param_.snapshot_after_train()19       && (!param_.snapshot() || iter_ % param_.snapshot() != 0)) {20     Snapshot();21   }22 // 如果在`Step`函数的迭代过程中遇到了系统信号，且我们的处理方式设置为`STOP`，23 // 那么`requested_early_exit_`会被修改为true，迭代提前结束，输出相关信息24   if (requested_early_exit_) {25     LOG(INFO) << "Optimization stopped early.";26     return;27   }28 // 判断是否需要输出最后的loss29   if (param_.display() && iter_ % param_.display() == 0) {30     Dtype loss;31     net_->ForwardPrefilled(&loss);32     LOG(INFO) << "Iteration " << iter_ << ", loss = " << loss;33   }34 // 判断是否需要最后Test35   if (param_.test_interval() && iter_ % param_.test_interval() == 0) {36     TestAll();37   }38   LOG(INFO) << "Optimization Done.";39 }

下面继续分析具体的迭代过程发生的Step函数：

 1 template <typename Dtype> 2 void Solver<Dtype>::Step(int iters) { 3   vector<Blob<Dtype>*> bottom_vec; 4 // 设置开始的迭代次数(如果是从之前的snapshot恢复的，那iter_等于snapshot时的迭代次数)和结束的迭代次数 5   const int start_iter = iter_; 6   const int stop_iter = iter_ + iters; 7 // 输出的loss为前average_loss次loss的平均值，在solver.prototxt里设置，默认为1， 8 // losses存储之前的average_loss个loss，smoothed_loss为最后要输出的均值 9   int average_loss = this->param_.average_loss();10   vector<Dtype> losses;11   Dtype smoothed_loss = 0;12 // 迭代13   while (iter_ < stop_iter) {14   // 清空上一次所有参数的梯度15     net_->ClearParamDiffs();16 // 判断是否需要测试17     if (param_.test_interval() && iter_ % param_.test_interval() == 018         && (iter_ > 0 || param_.test_initialization())19         && Caffe::root_solver()) {20       TestAll();21     // 判断是否需要提前结束迭代22       if (requested_early_exit_) {23         break;24       }25     }26     for (int i = 0; i < callbacks_.size(); ++i) {27       callbacks_[i]->on_start();28     }29     // 判断当前迭代次数是否需要显示loss等信息30     const bool display = param_.display() && iter_ % param_.display() == 0;31     net_->set_debug_info(display && param_.debug_info());32     Dtype loss = 0;33     // iter_size也是在solver.prototxt里设置，实际上的batch_size=iter_size*网络定义里的batch_size，34     // 因此每一次迭代的loss是iter_size次迭代的和，再除以iter_size，这个loss是通过调用`Net::ForwardBackward`函数得到的35     // 这个设置我的理解是在GPU的显存不够的时候使用，比如我本来想把batch_size设置为128，但是会out_of_memory，36     // 借助这个方法，可以设置batch_size=32，iter_size=4，那实际上每次迭代还是处理了128个数据37     for (int i = 0; i < param_.iter_size(); ++i) {38       loss += net_->ForwardBackward(bottom_vec);39     }40     loss /= param_.iter_size();41     // 计算要输出的smoothed_loss，如果losses里还没有存够average_loss个loss则将当前的loss插入，如果已经存够了，则将之前的替换掉42     if (losses.size() < average_loss) {43       losses.push_back(loss);44       int size = losses.size();45       smoothed_loss = (smoothed_loss * (size - 1) + loss) / size;46     } else {47       int idx = (iter_ - start_iter) % average_loss;48       smoothed_loss += (loss - losses[idx]) / average_loss;49       losses[idx] = loss;50     }51     // 输出当前迭代的信息52     if (display) {53       LOG_IF(INFO, Caffe::root_solver()) << "Iteration " << iter_54           << ", loss = " << smoothed_loss;55       const vector<Blob<Dtype>*>& result = net_->output_blobs();56       int score_index = 0;57       for (int j = 0; j < result.size(); ++j) {58         const Dtype* result_vec = result[j]->cpu_data();59         const string& output_name =60             net_->blob_names()[net_->output_blob_indices()[j]];61         const Dtype loss_weight =62             net_->blob_loss_weights()[net_->output_blob_indices()[j]];63         for (int k = 0; k < result[j]->count(); ++k) {64           ostringstream loss_msg_stream;65           if (loss_weight) {66             loss_msg_stream << " (* " << loss_weight67                             << " = " << loss_weight * result_vec[k] << " loss)";68           }69           LOG_IF(INFO, Caffe::root_solver()) << "    Train net output #"70               << score_index++ << ": " << output_name << " = "71               << result_vec[k] << loss_msg_stream.str();72         }73       }74     }75     for (int i = 0; i < callbacks_.size(); ++i) {76       callbacks_[i]->on_gradients_ready();77     }78     // 执行梯度的更新，这个函数在基类`Solver`中没有实现，会调用每个子类自己的实现，后面具体分析`SGDSolver`的实现79     ApplyUpdate();80     // 迭代次数加181     ++iter_;82     // 调用GetRequestedAction，实际是通过action_request_function_函数指针调用之前设置好(通过`SetRequestedAction`)的83     // signal_handler的`CheckForSignals`函数，这个函数的作用是84     // 会根据之前是否遇到系统信号以及信号的类型和我们设置(或者默认)的方式返回处理的方式85     SolverAction::Enum request = GetRequestedAction();86     // 判断当前迭代是否需要snapshot，如果request等于`SNAPSHOT`则也需要87     if ((param_.snapshot()88          && iter_ % param_.snapshot() == 089          && Caffe::root_solver()) ||90          (request == SolverAction::SNAPSHOT)) {91       Snapshot();92     }93     // 如果request为`STOP`则修改`requested_early_exit_`为true，之后就会提前结束迭代94     if (SolverAction::STOP == request) {95       requested_early_exit_ = true;96       break;97     }98   }99 }

SGDSolver::ApplyUpdate具体实现

每一组网络中的参数的更新都是在不同类型的Solver自己实现的ApplyUpdate函数中完成的，下面我们就以最常用的SGD为例子来分析这个函数具体的功能：

 1 template <typename Dtype> 2 void SGDSolver<Dtype>::ApplyUpdate() { 3   CHECK(Caffe::root_solver()); 4   // GetLearningRate根据设置的lr_policy来计算当前迭代的learning rate的值 5   Dtype rate = GetLearningRate(); 6   // 判断是否需要输出当前的learning rate 7   if (this->param_.display() && this->iter_ % this->param_.display() == 0) { 8     LOG(INFO) << "Iteration " << this->iter_ << ", lr = " << rate; 9   }10   // 避免梯度爆炸，如果梯度的二范数超过了某个数值则进行scale操作，将梯度减小11   ClipGradients();12   // 对所有可更新的网络参数进行操作13   for (int param_id = 0; param_id < this->net_->learnable_params().size();14        ++param_id) {15     // 将第param_id个参数的梯度除以iter_size，这一步的作用是保证实际的batch_size=iter_size*设置的batch_size16     Normalize(param_id);17     // 将正则化部分的梯度降入到每个参数的梯度中 18     Regularize(param_id);19     // 计算SGD算法的梯度(momentum等)20     ComputeUpdateValue(param_id, rate);21   }22   // 调用`Net::Update`更新所有的参数23   this->net_->Update();24 }

下面我们继续具体分析一下Normalize/Regularize/ComputeUpdateValue的实现，我们均以CPU的代码为例子，GPU部分的处理原理是一样的：

Normalize

 1 template <typename Dtype> 2 void SGDSolver<Dtype>::Normalize(int param_id) { 3   // 如果iter_size的值为1，则不需要任何处理直接return 4   if (this->param_.iter_size() == 1) { return; } 5   // 通过net_返回所有可以学习的参数，是一个vector<shared_ptr<Blob<Dtype> > > 6   const vector<Blob<Dtype>*>& net_params = this->net_->learnable_params(); 7   // 要乘以的系数等于1/iter_size 8   const Dtype accum_normalization = Dtype(1.) / this->param_.iter_size(); 9   switch (Caffe::mode()) {10   case Caffe::CPU: {11     // caffe_scal在/CAFFE_ROOT/src/caffe/util/math_functions.cpp中12     // 是blas的scale函数的一个封装，第一个参数是数据的个数，第二个参数是乘以的系数，13     // 第三个参数是数据的指针14     caffe_scal(net_params[param_id]->count(), accum_normalization,15         net_params[param_id]->mutable_cpu_diff());16     break;17   }18   case Caffe::GPU: { 19     // GPU代码略20   }21 }

Regularize

 1 template <typename Dtype> 2 void SGDSolver<Dtype>::Regularize(int param_id) { 3   // 获取所有可以学习的参数的vector 4   const vector<Blob<Dtype>*>& net_params = this->net_->learnable_params(); 5   // 获取所有的参数对应的weight_decay的vector 6   const vector<float>& net_params_weight_decay = 7       this->net_->params_weight_decay(); 8   // 模型整体的weight_decay数值 9   Dtype weight_decay = this->param_.weight_decay();10   // 获取正则化的类型：L1 或 L211   string regularization_type = this->param_.regularization_type();12   // 实际的weight_decay等于整体模型的数值乘以具体每个参数的数值13   Dtype local_decay = weight_decay * net_params_weight_decay[param_id];14   switch (Caffe::mode()) {15   case Caffe::CPU: {16     // 如果weight_decay不为0，则计算17     if (local_decay) {18       if (regularization_type == "L2") {19         // L2的梯度为diff_ = weight_decay*data_ + diff_20         // caffe_axpy的功能是 y = a*x + y21         // 第一个参数是数据的个数，第二个是上式的a，第三个是x的指针，第四个是y的指针22         caffe_axpy(net_params[param_id]->count(),23             local_decay,24             net_params[param_id]->cpu_data(),25             net_params[param_id]->mutable_cpu_diff());26       } else if (regularization_type == "L1") {27         // L1的梯度为diff_ = diff_ + sign(data_)28         // temp_ = sign(data_)29         caffe_cpu_sign(net_params[param_id]->count(),30             net_params[param_id]->cpu_data(),31             temp_[param_id]->mutable_cpu_data());32         // 将temp_加到diff_中 diff_ = weight_decay*temp_ + diff_33         caffe_axpy(net_params[param_id]->count(),34             local_decay,35             temp_[param_id]->cpu_data(),36             net_params[param_id]->mutable_cpu_diff());37       } else {38         LOG(FATAL) << "Unknown regularization type: " << regularization_type;39       }40     }41     break;42   }43 // GPU代码略44 }

ComputeUpdatedValue

 1 template <typename Dtype> 2 void SGDSolver<Dtype>::ComputeUpdateValue(int param_id, Dtype rate) { 3   // 获取所有可以更新的参数的vector 4   const vector<Blob<Dtype>*>& net_params = this->net_->learnable_params(); 5   // 获取所有参数对应的learning_rate的vector 6   const vector<float>& net_params_lr = this->net_->params_lr(); 7   // 获取momentum数值 8   Dtype momentum = this->param_.momentum(); 9   // 实际的learning_rate为全局的learning_rate乘以每个参数对应的learning_rate10   Dtype local_rate = rate * net_params_lr[param_id];11   switch (Caffe::mode()) {12   case Caffe::CPU: {13     // 关于SGD的公式参考caffe官网tutorial的Solver部分14     // history_存储了上一次的梯度，下面这个函数：15     // history_ = learning_rate*diff_ + momentum*history16     caffe_cpu_axpby(net_params[param_id]->count(), local_rate,17               net_params[param_id]->cpu_diff(), momentum,18               history_[param_id]->mutable_cpu_data());19     // 把当前的梯度拷贝给参数Blob的diff_20     caffe_copy(net_params[param_id]->count(),21         history_[param_id]->cpu_data(),22         net_params[param_id]->mutable_cpu_diff());23     break;24   }25   case Caffe::GPU: {26     // GPU代码略27   }28 }

至此Solver主要的代码都已经分析完了，总结起来主要有：(1)solver_factory的register和create不同类型Solver的机制，(2)通过signal_handler来获取系统信号，并根据用户或默认的设置进行相应的处理，(3)Solver::Solve函数的具体实现的分析，(4)SGDSolver::ApplyUpdate函数的具体实现。前面三个部分都属于基类的，最后一个是SGDSolver这个子类的，如果用户想要实现自己的Solver类，也应该类似地去继承基类，并实现自己的ApplyUpdate函数，在代码的末尾通过register宏完成注册，便可以被成功的调用。