零基础学caffe源码 ReLU激活函数

1、如何有效阅读caffe源码

    1、caffe源码阅读路线最好是从src/cafffe/proto/caffe.proto开始，了解基本数据结构内存对象和磁盘文件的一一映射关系，中间过程都由ProtoBuffer工具自动完成。

    2、看include/目录中.hpp头文件，通过头文件类申明理解整个框架。从基类向派生类，掌握这些类。

    3、看src/目录中.cpp和.cu源文件，亦可以按需求派生新的类。

    4、编写各类工具，集成到caffe内部，如tools/下就有训练模型，提取特征，转换数据格式等工具。

2、ReLU激活函数

    激活函数，用在各个卷积层和全连接层输出位置。激活函数是深度网络非线性的主要来源。通常包括：simgoid（f(x)=(1+e-x)-1）和tanh（f(x)=sinhx/coshx,图形类似于arctanx，但是值域是[-1,1]）作为激活函数。

    用ReLU（f(x)=max(0,x)）作为激活函数的原因是：加速收敛、解决了梯度消失问题

3、ReLU函数caffe源码解析

    在models/bvlc_alexnet/train_val.prototxt网络模型设置中找到了ReLU层描述

//ReLU层，新的非线性层layer {  name: "relu1"  //层名  type: "ReLU"  //层类型  bottom: "conv1"  //层输入  top: "conv1"  //层输出}

下面开始按步骤解析源码：
3.1、阅读src/cafffe/proto/caffe.proto中ReLU层参数

//存储ReLU层参数的数据结构类message ReLUParameter {  //message：数据结构类，ReLUParameter为其对象  //optional；表示一个可选字段，required：表示一个必须字段  //repeated：表示该字段可以包含多个元素，和optional特性相同，类似数组  optional float negative_slope = 1 [default = 0];  enum Engine {  //枚举Engine中所有元素    DEFAULT = 0;    CAFFE = 1;    CUDNN = 2;  }  optional Engine engine = 2 [default = DEFAULT];}

3.2、阅读include/caffe/layers/relu_layer.hpp中类申明

<span style="font-family:KaiTi_GB2312;font-size:24px;">//头文件中的 #ifndef/#define/#endif，防止该头文件被重复引用#ifndef CAFFE_RELU_LAYER_HPP_   #define CAFFE_RELU_LAYER_HPP_#include <vector>#include "caffe/blob.hpp"#include "caffe/layer.hpp"#include "caffe/proto/caffe.pb.h"#include "caffe/layers/neuron_layer.hpp"//ReLULayer，派生于NeuronLayer，实现了ReLU激活函数计算namespace caffe {//template：指定模板类型参数，Dtype：表示一个类型template <typename Dtype>//新定义ReLULayer类，其继承NeuronLayer类class ReLULayer : public NeuronLayer<Dtype> { public://显式构造函数，NeuronLayer的参数显式传递给ReLULayer，LayerParameter：protobuf文件中存储的layer参数  explicit ReLULayer(const LayerParameter& param)       : NeuronLayer<Dtype>(param) {}//虚内联函数，const成员函数，返回类名字符串  virtual inline const char* type() const { return "ReLU"; } protected:  //bottom为输入，top为输出//前向传播函数  //CPU版本前馈实现  virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,      const vector<Blob<Dtype>*>& top);  //GPU版本前馈实现  virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,      const vector<Blob<Dtype>*>& top);//反向传播函数  //top为输出blob，propagate_down为bottom索引，bottom为输入blob  virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,      const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);  virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,      const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);};}  // namespace caffe#endif  // CAFFE_RELU_LAYER_HPP_</span>

3.3、阅读src/caffe/layers/relu_layer.cpp中代码

<span style="font-family:KaiTi_GB2312;font-size:24px;">#include <algorithm>#include <vector>#include "caffe/layers/relu_layer.hpp"namespace caffe {template <typename Dtype>//定义前向传播函数void ReLULayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,    const vector<Blob<Dtype>*>& top) {  //（只读）获得输入blob的data指针  const Dtype* bottom_data = bottom[0]->cpu_data(); //->：指针引用  //（读写）获得输出blob的data指针  Dtype* top_data = top[0]->mutable_cpu_data();  //获得输入blob元素个数  const int count = bottom[0]->count();  //Leak ReLU参数，从layer_param_中获得，默认为0（negative_slope=0），即普通ReLU  Dtype negative_slope = this->layer_param_.relu_param().negative_slope();  for (int i = 0; i < count; ++i) {    top_data[i] = std::max(bottom_data[i], Dtype(0)) //ReLU（f(x)=max(0,x)）        + negative_slope * std::min(bottom_data[i], Dtype(0));  }}template <typename Dtype>//定义反向传播函数void ReLULayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,    const vector<bool>& propagate_down,    const vector<Blob<Dtype>*>& bottom) {  //如果需要做反向传播计算，propagate_down是与计算关于bottom的梯度相关，  //在caffe的BP实现中非常重要  if (propagate_down[0]) {//（只读）获得前一层的data指针，data：前向传播所用数据    const Dtype* bottom_data = bottom[0]->cpu_data();//（只读）获得后一层的diff指针，diff：反向传播所用数据    const Dtype* top_diff = top[0]->cpu_diff();//（读写）获得前一层的diff指针，是损失函数关于当前层的输入（bottom）的偏导数    Dtype* bottom_diff = bottom[0]->mutable_cpu_diff();//获得需要参与计算的元素总和    const int count = bottom[0]->count();//Leaky ReLU参数，默认为0    Dtype negative_slope = this->layer_param_.relu_param().negative_slope();    for (int i = 0; i < count; ++i) {//ReLU的导函数就是(bottom_data[i] > 0，根据求导链式法则，后一层的误差乘以导函数得到前一层的误差      bottom_diff[i] = top_diff[i] * ((bottom_data[i] > 0)          + negative_slope * (bottom_data[i] <= 0));  //negative_slope=0    }  }}#ifdef CPU_ONLYSTUB_GPU(ReLULayer);#endifINSTANTIATE_CLASS(ReLULayer);}  // namespace caffe</span>