caffe基本数据结构---blob

Caffe使用blob存储、交换、操纵这些信息。blob是整个框架的标准的数组结构和统一存储接口。
Blob是Caffe处理和传输的真实数据的包装类，同时它还隐含提供了在CPU和GPU之间同步数据的能力。在数学上，一个blob就是一个4维的数组，它是按照c语言风格存储的，即行优先。由于我们经常对blob的值和梯度感兴趣，所以blob存储了２块data和diff.前者是正常的传输数据，后者是网络计算的梯度。
在实际中如果使用了GPU,你从磁盘上吧数据读取到CPU模式的内存中的blob里，然后调用GPU的kernel来进行计算，然后把blob数据传给下一层，这一切过程都隐藏了底层的实现细节，并且获得很高的性能。只要所有层都有GPU实现，所有的中间数据和梯度都会保存在GPU中。
caffe中最基础的数据结构是blob，它是一个四维的数组。维度从高到低分别是:(num_，channels_，height_，width_)对于图像数据来说就是：图片个数，彩色通道个数，宽，高，比如说有10张图片，分别是512*256大小，彩色三通道，则为：（10，3，256，512）


blob是一个模板类，现在来看一下blob的头文件

*************************************************************************#ifndef CAFFE_BLOB_HPP_#define CAFFE_BLOB_HPP_#include <algorithm>#include <string>#include <vector>#include "caffe/common.hpp"#include "caffe/proto/caffe.pb.h" //里面声明了Blobproto、Blobshape等遵循caffe.proto协议的数据结构#include "caffe/syncedmem.hpp"    //CPU/GPU共享内存类，用于数据同步，很多实际的动作都在这里面执行*************************************************************************const int kMaxBlobAxes = 32;     //blob的最大维数目namespace caffe {template <typename Dtype>class Blob { public: //blob的构造函数，不允许隐式的数据类型转换  Blob(): data_(), diff_(), count_(0), capacity_(0) {}  explicit Blob(const int num, const int channels, const int height,      const int width);  explicit Blob(const vector<int>& shape);    //几个Reshape函数，对blob的维度进行更改  void Reshape(const int num, const int channels, const int height, const int width);       // 用户的reshape接口（常用）  void Reshape(const vector<int>& shape);       // 通过重载调用真正的reshape函数  void Reshape(const BlobShape& shape);         // 用户的reshape接口  void ReshapeLike(const Blob& other);          // 用户的reshape接口  //获取Blob的形状字符串，用于打印log，比如： 10 3 256 512 （3932160），总元素个数    inline string shape_string() const {    ostringstream stream;    for (int i = 0; i < shape_.size(); ++i) {      stream << shape_[i] << " ";           //打印每一个维度信息    }    stream << "(" << count_ << ")";         //打印总的元素的个数    return stream.str();  }  inline const vector<int>& shape() const { return shape_; }  // 成员函数，返回blob的形状信息（常用）  inline int shape(int index) const {                         // 返回blob特定维度的大小(常用)    return shape_[CanonicalAxisIndex(index)];   }  inline int num_axes() const { return shape_.size(); }       // 返回blob维度  inline int count() const { return count_; }                 // 返回元素的个数  inline int count(int start_axis, int end_axis) const {      // 返回特定维度区间的元素的个数    CHECK_LE(start_axis, end_axis);    CHECK_GE(start_axis, 0);    CHECK_GE(end_axis, 0);    CHECK_LE(start_axis, num_axes());    CHECK_LE(end_axis, num_axes());    int count = 1;    for (int i = start_axis; i < end_axis; ++i) {      count *= shape(i);    }    return count;  }    inline int CanonicalAxisIndex(int axis_index) const {       // 检查输入的维度的合法性    CHECK_GE(axis_index, -num_axes())        << "axis " << axis_index << " out of range for " << num_axes()        << "-D Blob with shape " << shape_string();    CHECK_LT(axis_index, num_axes())        << "axis " << axis_index << " out of range for " << num_axes()        << "-D Blob with shape " << shape_string();    if (axis_index < 0) {      return axis_index + num_axes();    }    return axis_index;  }  inline int num() const { return LegacyShape(0); }           // 返回样本的个数(常用)  inline int channels() const { return LegacyShape(1); }      // 返回通道的个数(常用)  inline int height() const { return LegacyShape(2); }        // 返回样本维度一，对于图像而言是高度(常用)  inline int width() const { return LegacyShape(3); }         // 返回样本维度二，对于图像而言是宽度(常用)    //返回特定维度的大小，包含对输入维度的合法性检查，被上面函数调用  inline int LegacyShape(int index) const {         CHECK_LE(num_axes(), 4)        << "Cannot use legacy accessors on Blobs with > 4 axes.";    CHECK_LT(index, 4);    CHECK_GE(index, -4);    if (index >= num_axes() || index < -num_axes()) {      // Axis is out of range, but still in [0, 3] (or [-4, -1] for reverse      // indexing) -- this special case simulates the one-padding used to fill      // extraneous axes of legacy blobs.      return 1;    }    return shape(index);  }  // 计算当前的样本的偏移量，供后面序列化寻址使用  inline int offset(const int n, const int c = 0, const int h = 0,const int w = 0) const {    CHECK_GE(n, 0);    CHECK_LE(n, num());    CHECK_GE(channels(), 0);    CHECK_LE(c, channels());    CHECK_GE(height(), 0);    CHECK_LE(h, height());    CHECK_GE(width(), 0);    CHECK_LE(w, width());    return ((n * channels() + c) * height() + h) * width() + w;  }  inline int offset(const vector<int>& indices) const {    CHECK_LE(indices.size(), num_axes());    int offset = 0;    for (int i = 0; i < num_axes(); ++i) {      offset *= shape(i);      if (indices.size() > i) {        CHECK_GE(indices[i], 0);        CHECK_LT(indices[i], shape(i));        offset += indices[i];      }    }    return offset;  }    // 从其他的blob来拷贝到当前的blob中，默认是不拷贝梯度的，如果形状不一致需要使能reshape，不然无法拷贝  void CopyFrom(const Blob<Dtype>& source, bool copy_diff = false,      bool reshape = false);    // 返回特定位置的元素值  inline Dtype data_at(const int n, const int c, const int h,      const int w) const {    return cpu_data()[offset(n, c, h, w)];  }  // 返回特定位置的梯度值  inline Dtype diff_at(const int n, const int c, const int h,      const int w) const {    return cpu_diff()[offset(n, c, h, w)];     //这个是序列话的值  }  // 重载返回特定元素的值，作用与上面函数相同  inline Dtype data_at(const vector<int>& index) const {    return cpu_data()[offset(index)];  }  // 重载返回特定梯度的值，作用与上面函数相同  inline Dtype diff_at(const vector<int>& index) const {    return cpu_diff()[offset(index)];  }    // 返回当前的训练样本的数据（指针）（常用）  inline const shared_ptr<SyncedMemory>& data() const {    CHECK(data_);    return data_;  }  // 返回当前训练样本的梯度（指针）（常用）  inline const shared_ptr<SyncedMemory>& diff() const {    CHECK(diff_);    return diff_;  }  const Dtype* cpu_data() const;   // 只读获取cpu的data_的指针  void set_cpu_data(Dtype* data);  // 设置cpu的data_指针，修改指针仅  const int* gpu_shape() const;    // 只读获取gpu上数据的形状信息  const Dtype* gpu_data() const;   // 只读获取gpu上的data_的指针  const Dtype* cpu_diff() const;   // 只读获取cpu的diff_的指针  const Dtype* gpu_diff() const;   // 只读获取gpu的diff_的指针  Dtype* mutable_cpu_data();       // 读写访问cpu data  Dtype* mutable_gpu_data();       // 读写访问gpu data  Dtype* mutable_cpu_diff();       // 读写访问cpu diff  Dtype* mutable_gpu_diff();       // 读写访问cpu diff  void Update();                   // 数据更新，即减去当前计算出来的梯度  void FromProto(const BlobProto& proto, bool reshape = true);   // 将数据进行反序列化，从磁盘导入之前存储的blob  void ToProto(BlobProto* proto, bool write_diff = false) const; // 将数据进行序列化，便于存储  Dtype asum_data() const;         // 计算data的L1范数  Dtype asum_diff() const;         // 计算diff的L1范数  Dtype sumsq_data() const;        // 计算data的L2范数  Dtype sumsq_diff() const;        // 计算diff的L2范数  void scale_data(Dtype scale_factor);   // 按照一个标量进行伸缩data_  void scale_diff(Dtype scale_factor);   // 按照一个标量进行伸缩diff_  void ShareData(const Blob& other);     // 只是拷贝过来other的data  void ShareDiff(const Blob& other);     // 只是拷贝过来other的diff  bool ShapeEquals(const BlobProto& other);  // 判断两个blob的形状是否一致 protected:  shared_ptr<SyncedMemory> data_;            // 类的属性---数据  shared_ptr<SyncedMemory> diff_;            // 类的属性---梯度  shared_ptr<SyncedMemory> shape_data_;         vector<int> shape_;                        // 类的属性---形状信息  int count_;                                // 有效元素总的个数  int capacity_;                             // 存放bolb容器的容量信息，大于等于count_  DISABLE_COPY_AND_ASSIGN(Blob);};  // class Blob}  // namespace caffe#endif  // CAFFE_BLOB_HPP_

备注一下最常用的：
blob.data()     // 返回数据
blob.diff()     // 返回梯度
blob.shape()    // 返回样本的形状
blob.num()      // 返回样本的个数(常用)
blob.channels() // 返回通道的个数(常用)
blob.height()   // 返回样本维度一，对于图像而言是高度(常用)
blob.width()    // 返回样本维度二，对于图像而言是宽度(常用)