（Caffe，LeNet）网络训练流程（二）

版权声明：未经允许请勿用于商业用途，转载请注明出处：http://blog.csdn.net/mounty_fsc/

目录(?)[+]

1. 程序入口
2. Solver的创建
3. SolverSolve函数
4. SolverStep函数
   1. 1 SolverTestAll函数
   2. 2 NetForwardBackward函数
   3. 3 SolverApplyUpdate函数
5. 训练完毕

本文地址：http://blog.csdn.net/mounty_fsc/article/details/51090114

在训练lenet的train_lenet.sh中内容为：

./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt

由此可知,训练网咯模型是由tools/caffe.cpp生成的工具caffe在模式train下完成的。
初始化过程总的来说，从main()、train()中创建Solver，在Solver中创建Net，在Net中创建Layer.

1 程序入口

• 找到caffe.cpp的main函数中，通过GetBrewFunction(caffe::string(argv[1]))()调用执行train()函数。
• train中,通过参数-examples/mnist/lenet_solver.prototxt把solver参数读入solver_param中。

• 随后注册并定义solver的指针（见第2节）

    shared_ptr<caffe::Solver<float> > solver(caffe::SolverRegistry<float>::CreateSolver(solver_param))
  1
  2
  1
  2

• 调用solver的Solver()方法。多个GPU涉及到GPU间带异步处理问题（见第3节）

  if (gpus.size() > 1) {    caffe::P2PSync<float> sync(solver, NULL, solver->param());    sync.run(gpus);} else {    LOG(INFO) << "Starting Optimization";    solver->Solve();}
  1
  2
  3
  4
  5
  6
  7
  1
  2
  3
  4
  5
  6
  7

2 Solver的创建

在1中，Solver的指针solver是通过SolverRegistry::CreateSolver创建的，CreateSolver函数中值得注意带是return registry[type](param)

  // Get a solver using a SolverParameter.  static Solver<Dtype>* CreateSolver(const SolverParameter& param) {    const string& type = param.type();    CreatorRegistry& registry = Registry();    CHECK_EQ(registry.count(type), 1) << "Unknown solver type: " << type        << " (known types: " << SolverTypeListString() << ")";    return registry[type](param);  }
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8

其中:

registry是一个map<string,Creator>： typedef std::map<string, Creator> CreatorRegistry
其中Creator是一个函数指针类型： typedef Solver<Dtype>* (*Creator)(const SolverParameter&)
registry[type]为一个函数指针变量，在Lenet5中，此处具体的值为 caffe::Creator_SGDSolver<float>(caffe::SolverParameter const&)
其中Creator_SGDSolver在以下宏中定义，
REGISTER_SOLVER_CLASS(SGD)
该宏完全展开得到的内容为：

template <typename Dtype>                                                    \  Solver<Dtype>* Creator_SGDSolver(                                       \      const SolverParameter& param)                                            \  {                                                                            \    return new SGDSolver<Dtype>(param);                                     \  }                                                                            \  static SolverRegisterer<float> g_creator_f_SGD("SGD", Creator_SGDSolver<float>);    \  static SolverRegisterer<double> g_creator_d_SGD("SGD", Creator_SGDSolver<double>)
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8

从上可以看出，registry[type](param)中实际上调用了SGDSolver带构造方法，事实上，网络是在SGDSolver的构造方法中初始化的。
SGDSolver的定义如下：

template <typename Dtype>class SGDSolver : public Solver<Dtype> { public:  explicit SGDSolver(const SolverParameter& param)      : Solver<Dtype>(param) { PreSolve(); }  explicit SGDSolver(const string& param_file)      : Solver<Dtype>(param_file) { PreSolve(); }......
1
2
3
4
5
6
7
8
1
2
3
4
5
6
7
8

SGDSolver继承与Solver<Dtype>，因而new SGDSolver<Dtype>(param)将执行Solver<Dtype>的构造函数，然后调用自身构造函数。整个网络带初始化即在这里面完成（详见本系列博文（三））。

3 Solver::Solve()函数

在这个函数里面，程序执行完网络的完整训练过程。
核心代码如下：

template <typename Dtype>void Solver<Dtype>::Solve(const char* resume_file) {  Step(param_.max_iter() - iter_);  //..    Snapshot();  //..  // some additional display   // ...}
1
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
6
7
8
9
10
11

说明：

1. 值得关注的代码是Step()，在该函数中，值得了param_.max_iter()轮迭代（10000）
2. 在Snapshot()中序列化model到文件

4 Solver::Step()函数

template <typename Dtype>void Solver<Dtype>::Step(int iters) {  //10000轮迭代  while (iter_ < stop_iter) {    // 每隔500轮进行一次测试    if (param_.test_interval() && iter_ % param_.test_interval() == 0        && (iter_ > 0 || param_.test_initialization())        && Caffe::root_solver()) {      // 测试网络，实际是执行前向传播计算loss      TestAll();    }    // accumulate the loss and gradient    Dtype loss = 0;    for (int i = 0; i < param_.iter_size(); ++i) {      // 执行反向传播，前向计算损失loss，并计算loss关于权值的偏导      loss += net_->ForwardBackward(bottom_vec);    }    // 平滑loss，计算结果用于输出调试等    loss /= param_.iter_size();    // average the loss across iterations for smoothed reporting    UpdateSmoothedLoss(loss, start_iter, average_loss);    // 通过反向传播计算的偏导更新权值    ApplyUpdate();  }}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

4.1 Solver::TestAll()函数

在TestAll()中，调用Test(test_net_id)对每个测试网络test_net（不是训练网络train_net）进行测试。在Lenet中，只有一个测试网络，所以只调用一次Test(0)进行测试。
Test()函数里面做了两件事：

• 前向计算网络，得到网络损失，见 （Caffe，LeNet）前向计算（五）
• 通过测试网络的第11层accuracy层，与第12层loss层结果统计accuracy与loss信息。

4.2 Net::ForwardBackward()函数

Dtype ForwardBackward(const vector<Blob<Dtype>* > & bottom) {    Dtype loss;    Forward(bottom, &loss);    Backward();    return loss;  }
1
2
3
4
5
6
1
2
3
4
5
6

说明：

• 前向计算。计算网络损失loss，参考 （Caffe，LeNet）前向计算（五）
• 反向传播。计算loss关于网络权值的偏导，参考 （Caffe，LeNet）反向传播（六）

4.3 Solver::ApplyUpdate()函数

根据反向传播阶段计算的loss关于网络权值的偏导，使用配置的学习策略，更新网络权值从而完成本轮学习。详见 （Caffe，LeNet）权值更新（七）

5 训练完毕

至此，网络训练优化完成。在第3部分solve()函数中，最后对训练网络与测试网络再执行一轮额外的前行计算求得loss，以进行测试。