Caffa 源码学习系列一----全连接层



前段时间学习了caffe的python接口的使用，为了提高速度，现在想直接使用C++接口，下面的系列是我的学习笔记！

原作者：在路上 原文链接：http://zhangliliang.com/2014/09/15/about-caffe-code-full-connected-layer/

今天看全连接层的实现。
主要看的是https://github.com/BVLC/caffe/blob/master/src/caffe/layers/inner_product_layer.cpp

主要是三个方法，setup，forward，backward

• setup 初始化网络参数，包括了w和b
• forward 前向传播的实现
• backward 后向传播的实现

setup

主体的思路，作者的注释给的很清晰。
主要是要弄清楚一些变量对应的含义

123

M_ 表示的样本数K_ 表示单个样本的特征长度N_ 表示输出神经元的个数

 

为了打字方便，以下省略下划线，缩写为M，K，N

forward

实现的功能就是 y=wx+b

1234

x为输入，维度 MxKy为输出，维度 Nx1w为权重，维度 NxKb为偏置，维度 Nx1

 

具体到代码实现，用的是这个函数caffe_cpu_gemm，具体的函数头为

1234

void caffe_cpu_gemm<float>(const CBLAS_TRANSPOSE TransA,    const CBLAS_TRANSPOSE TransB, const int M, const int N, const int K,    const float alpha, const float* A, const float* B, const float beta,    float* C)

 

略长，整理它的功能其实很直观，即C←αA×B+βC(此处个人感觉有问题，最后一个C应该是B？？？)

1234567891011121314

const CBLAS_TRANSPOSE TransA  # A是否转置const CBLAS_TRANSPOSE TransB  # B是否转置# 这部分都比较直观不用解释了const int M          const int Nconst int Kconst float alphaconst float* Aconst float* Bconst float beta,float* C# 其中A维度是MxK，B维度是KxN，C维度为MxN

 

从实际代码来算，全连接层的forward包括了两步:

12345678

# 这一步表示 y←wx，或者说是y←xw‘caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasTrans, M_, N_, K_, (Dtype)1.,      bottom_data, weight, (Dtype)0., top_data);# 这一步表示 y←y+bcaffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, M_, N_, 1, (Dtype)1.,        bias_multiplier_.cpu_data(),        this->blobs_[1]->cpu_data(), (Dtype)1., top_data);# 所以两步连起来就等价于y=wx+b

 

backward

分成三步：

• 更新w
• 更新b
• 计算delta

用公式来说是下面三条：

一步步来，先来第一步，更新w，对应代码是：

12

caffe_cpu_gemm<Dtype>(CblasTrans, CblasNoTrans, N_, K_, M_, (Dtype)1.,        top_diff, bottom_data, (Dtype)0., this->blobs_[0]->mutable_cpu_diff());

 

对照公式，有

123

需要更新的w的梯度的维度是NxK公式中的a^(l)_j对应的是bottom_data，维度是KxM公式中的\delta_(l+1)_i对应的是top_diff，维度是NxM

 

然后是第二步，更新b，对应代码是：

123

caffe_cpu_gemv<Dtype>(CblasTrans, M_, N_, (Dtype)1., top_diff,        bias_multiplier_.cpu_data(), (Dtype)0.,        this->blobs_[1]->mutable_cpu_diff());

 

这里用到了caffe_cpu_gemv，简单来说跟上面的caffe_cpu_gemm类似，不过前者是计算矩阵和向量之间的乘法的（从英文命名可以分辨，v for vector, m for matrix）。函数头：

12345678910111213141516171819

void caffe_cpu_gemv<float>(const CBLAS_TRANSPOSE TransA, const int M,    const int N, const float alpha, const float* A, const float* x,    const float beta, float* y) # 实现的功能类似 Y←αAX + βY# 其中A的维度为 MxN# X是一个向量，维度为 Nx1# Y是结果 ，也是一个向量，维度为Mx1const CBLAS_TRANSPOSE TransA  # 是否对A进行转置# 下面的参数很直观，不描述了const int Mconst int Nconst float alphaconst float* Aconst float* xconst float betafloat* y

 

绕回到具体的代码实现。。如何更新b？根据公式b的梯度直接就是delta

1234

# 所以对应的代码其实就是将top_diff转置后就可以了（忽略乘上bias_multiplier这步）caffe_cpu_gemv<Dtype>(CblasTrans, M_, N_, (Dtype)1., top_diff,        bias_multiplier_.cpu_data(), (Dtype)0.,        this->blobs_[1]->mutable_cpu_diff());

 

第三步是计算delta，对应公式

这里面可以忽略掉最后一项f’,因为在caffe实现中，这是由Relu layer来实现的，这里只需要实现括号里面的累加就好了，这个累加其实可以等价于矩阵乘法

1234567

caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, M_, K_, N_, (Dtype)1.,        top_diff, this->blobs_[0]->cpu_data(), (Dtype)0.,        (*bottom)[0]->mutable_cpu_diff());# top_diff为\delta^(l+1)_j 维度 MxN# this->blobs_[0]->cpu_data()为W^(l)_ji 维度 NxK# (*bottom)[0]->mutable_cpu_diff()是要计算的结果，也就是\delta^(l)_i 维度是MxK