caffee学习中文指南（1）(1)

引言

最近正在自学caffee，发现很多地方需要反复地揣摩与回顾，于是决定写这篇文章，一来是方便自己回顾，加深记忆，另一方面也希望能够与他人多交流，为后来者行个方便（caffee的中文文档是在是太少了）。

概述

总的来说呢，caffe的语言相当简洁，实现的细节都被封装起来了，所以学起来很快，但也正是因为封装得太厉害，所以细节性，基础性的东西很难弄懂，属于易学难精的类型（这个和Java有点像）caffee的模型包含了如下五个方面，blob，Layers,Nets,Loss,Slover，其中Layer和Nets是caffee的物理组成部分，blob是层与层之间所传输的数据流，slover则时net在计算后的求解，而Loss是每一次训练（原文是iteration：迭代）之后于预期目标的差度测量，下面我们将分不同的方面来共同学习caffee的组成与运行机理。

Blob

Blob的一些综述

1.blob的思想则类似与计算机网络中的帧，每一帧都是信息的封装，但在blob中不包含控制信息，其本身是一个标准向量，只起到了通过标准化来存储和传输数据的作用例如：一组图片，一些训练参数等，同时blob还可以在CPU和GPU之间来进行同步操作（我觉得这是使用Blob的最大优点）。(说实话我觉得如果可以在blob中封装控制信息的话也许会大大增加blob的灵活性)
2.blob的物理储存方式，blob的存储是行优先的，所以对于一个矩阵中索引为（n,k,h,w）的数据：如它在物理内存中的存储位置就应该是((n * K + k) * H + h) * W + w.(注：4维的向量在做图片的深度学习时还是很有用的，例如对于一组256张图片进行处理，每个图像为RGB三通道，那么就可以设n为第n张图像，k=3，h，w为图像上的像素)
3.使用blob时所需的时blob格式因人而异的，比如我们要设定一个有96个大小为11*11，输入通道为3的滤波器的卷积层时，就需要设定96*3*11*11的blob，而对于一个有1000个输入通道和1024个输出通道的全链接层进行设置时，就需要设定blob为1000*1024.
4.对于不同的data，我们要设定不同的blob，但只要blob设定完成，Layer就会自动调整为合适的模式，这也是caffee比较简洁，较易上手的原因之一。

Blob的实现细节

1.Blob中通常存储两种类型的数据：value和diff，前着时实际输入的数据，而后者时通过网络计算出的梯度，有两种方法来获取blob中的值：常量法和变量法，实现语句如下:

const Dtype* cpu_data() const;//Dtype 的用法待查Dtype* mutable_cpu_data;

(注：在phyon中Dtype是用来表示数组属性的一种数据类型，我们可以根据Dtype来自行生成数组，猜测Dtype在caffee中也有着类似的应用，还希望大家能给予指点)
这个函数里面有一些实现细节用来增加存取速率并在cpu与GPU之间做同步，那一部分先挖个坑，暂时不写，总之只要记住，在不需要改变blob值的时候不要用mutable_cpu_data(),同时，也不要自行操作指针，只要使用caffee提供的函数即可。
2.在实际操作的时候如果电脑有GPU，那么每一次从硬盘读取数据到Blob中时，都会调用GPU运算，并且只要层中有GPU执行步骤，那么所有的中间数据都会存储在GPU中。下面是你想查看Blob复制数据时间的代码：

//Assumaing that the data in the CPU initially,and we have the blobconst *Dtype foo;Dtype* bar;foo=blob.gpu_data(); // data copied cpu->gpu.foo=blob.cpu_data();//no data copied since both have the up-to-date contentsbar=blob.mutable_gpu_data()//no data copied/*......some operations*/bar=blob.mutable_gpu_data()//no data copied since we are still on the GPUfoo=blob.cpu_data;//data copied gpu->cpu,since the gpu side has modified the databar=blob.mutable_gpu_data();//data copied cpu->gpubar=blob.mutable_cpu_data();//data copied gpu->cpu

Layer

Layer是构成caffe的存在基础，一般会在filter层和pooling之间进行切换，但也不是一定的，例如在Computing the Stereo Matching Cost with a Convolutional Neural Network这篇文章中，作者使用了八个全链接层来进行matching cost（也就时caffee中的loss）的计算，并没有使用pooling层。不同的layer有着不同的功能，例如读入数据，数据归一化，计算loss等。
对于每一个Layer，在设定时都有着setup，forward和backward三个部分，下面将分别来介绍
1.set：在建立层的时候初始化其各个参数以及连接
2.forward：由input端从底层接收数据，通过计算后向顶层发送数据
3.backword：将顶层计算出的梯度图发送到底部，然后根据输出来重新调整自己的参数(这个我理解的不太好，如果有误的话还请大神们指出)
需要明确的是，一般每层会有两个forward和两个backword，一个是用于GPU，另一个是CPU，如果只使用一个的话caffe内部也有机制能够解决，但可能会牺牲效率。

Net

1.功能

net的功能是通过把每一层联立起来定义一个计算梯度向量的函数，在这个联立的过程中，每一层的forward都被用于我们的目标，如分类，检索，匹配等，而每一层的backword部分则用于计算我们在实现这个过程中的loss（也有文章中叫cost）

2.结构

net的结构是由一系列的layer组成的DAG（direct acyclic graph有向无环图，下同）,一般来说一个net是由一个data layer开始从磁盘读取数据最终有一个losslayer结束来计算本次iteration的loss。下图就是一个简单的例子，从纯文本中读取数据并进行分类loss的计算。

代码结构如下

name:"LogReg"layer{    name:"mnist";    typer:"Data";    top:"data";    top"label";    data_param    {    source:"input_leveldb";    batch_size:64;    }}

3.初始化

net的初始化是由Net::Init来进行，初始化主要是做两件事，1.通过创建相应的blob和layer来创建相应的DAG.
2.呼叫layer的setup()函数
在建立完成后，我们可以通过Caffee::mode（）来调用gpu或cpu的切换