Caffe源码中common文件分析

Caffe源码(caffe version:09868ac , date: 2015.08.15)中的一些重要头文件如caffe.hpp、blob.hpp等或者外部调用Caffe库使用时，一般都会include<caffe/common.hpp>文件，下面分析此文件的内容：

1.      include的文件：

boost中的智能指针头文件<boost/shared_ptr.hpp>，作用类似于C++11中的模板类shared_ptr，通过引用计数方式自动释放所指的对象，不用显示执行delete，关于C++11中shared_ptr的使用可以参考http://blog.csdn.net/fengbingchun/article/details/52202007 .

在Caffe中，封装boost的智能指针using boost::shared_ptr，不使用C++11中的shared_ptr。

GFlags库的<gflags/gflags.h>，它是google的一个开源的处理命令行参数的库，其使用可以参考 http://blog.csdn.net/fengbingchun/article/details/48768039 。

GLog库的<glog/logging.h>，它是google的一个开源的日志库，其使用可以参考  http://blog.csdn.net/fengbingchun/article/details/48768039 。

一些系统头文件，如<climits>、<cmath>、<utility>等。

< caffe/util/device_alternate.hpp >文件。

2.      caffe/util/device_alternate.hpp文件：

定义了一些在CPU或GPU+CPU模式下使用的宏和函数。

在CPU模式下(通过#ifdef CPU_ONLY)定义了四个宏用于提示在CPU模式下如果调用GPU函数给出error信息：

#define NO_GPU#define STUB_GPU(classname)#define STUB_GPU_FORWARD(classname, funcname)#define STUB_GPU_BACKWARD(classname, funcname)

在GPU+CPU模式下定义了五个cuda宏、三个函数和一个常量：

#define CUDA_CHECK(condition)#define CUBLAS_CHECK(condition)#define CURAND_CHECK(condition)#define CUDA_KERNEL_LOOP#define CUDA_POST_KERNEL_CHECKconst char* cublasGetErrorString(cublasStatus_t error);const char* curandGetErrorString(curandStatus_t error);inline int CAFFE_GET_BLOCKS(const int N);const int CAFFE_CUDA_NUM_THREADS;

3.      common.hpp文件中定义的宏：

#define DISABLE_COPY_AND_ASSIGN(classname)#define INSTANTIATE_CLASS(classname)#define INSTANTIATE_LAYER_GPU_FORWARD#define INSTANTIATE_LAYER_GPU_BACKWARD#define INSTANTIATE_LAYER_GPU_FUNCS#define NOT_IMPLEMENTED

其中宏DISABLE_COPY_AND_ASSIGN的作用是禁用指定类的拷贝和赋值操作；宏NOT_IMPLEMENTED的作用是标记没有实现的代码，并给出fatal log；宏INSTANTIATE_CLASS的作用是用于实例化指定的模板类(类模板显示实例化)；剩余的三个宏的作用是用于GPU模式下实例化指定的模板类的函数(GPU forward/backward，类似于函数模板显示实例化)。

关于模板显示实例化的介绍可以参考：http://blog.csdn.net/fengbingchun/article/details/51339659

4.      GlobalInit函数：

全局初始化函数，用于初始化google开源库gflags(gflags::ParseCommandLineFlags)和glog(google::InitGoogleLogging)。

5.      Caffe类：

(1)、采用单例模式(singleton)实现，封装了boost和cuda的一些操作，提供了一套统一的接口，关于单例模式的内容可以参考： http://blog.csdn.net/fengbingchun/article/details/22584107 。

(2)、内部定义了嵌套类RNG，RNG类内部又定义了私有嵌套类Generator，Generator类用于产生随机数.RNG类为随机数生成器，隐藏了boost和CUDA的rng实现，对外提供了一套统一的RNG类。

(3)、构造函数为private，防止直接通过构造函数创建对象，也可防止重复实例化。

(4)、禁止执行拷贝和赋值操作。

(5)、通过Get方法来创建或获取实例。

(6)、枚举类型Brew，指定运行模式：CPU、GPU。

以下是common文件的测试代码：

int test_caffe_common(){// 1. test macro NOT_IMPLEMENTED//NOT_IMPLEMENTED; // error, fatal log// 2. test global initialization function GlobalInitint argc = 2;char** argv = nullptr;argv = new char*[2];#ifdef _DEBUGargv[0] = "E:/GitCode/Caffe_Test/lib/dbg/x64_vc12/Caffe_Test.exe";#elseargv[0] = "E:/GitCode/Caffe_Test/lib/rel/x64_vc12/Caffe_Test.exe";#endifargv[1] = "caffe_test";caffe::GlobalInit(&argc, &argv);delete[] argv;// 3. test caffe class// caffe::Caffe caffe_; // error, can't create Caffe object directly// verify Caffe is a singleton classcaffe::Caffe& caffe1 = caffe::Caffe::Get();caffe::Caffe& caffe2 = caffe::Caffe::Get();fprintf(stderr, "caffe1 addr: %p\n", &caffe1);fprintf(stderr, "caffe2 addr: %p\n", &caffe2);auto addr_caffe1 = std::addressof(caffe1);auto addr_caffe2 = std::addressof(caffe2);if (addr_caffe1 != addr_caffe2) {fprintf(stderr, "caffe1 and caffe2 addr are different: caffe1 addr: %p, caffe2 addr: %p\n", &caffe1, &caffe2);return -1;}// get run mode: CPU or GPUcaffe::Caffe::Brew run_mode = caffe1.mode();fprintf(stderr, "0: CPU, 1: GPU, run_mode: %d\n", run_mode);// set solver_countcaffe::Caffe::set_solver_count(5);// get solver_countint solver_count = caffe::Caffe::solver_count();fprintf(stderr, "solver count: %d\n", solver_count);// set root_solvercaffe::Caffe::set_root_solver(false);// get root_solverbool root_solver = caffe::Caffe::root_solver();fprintf(stderr, "root solver: %d\n", root_solver);// set device// caffe::Caffe::SetDevice(2); // error, fatal log: Cannot use GPU in CPU-only Caffe: check mode.// device query// caffe::Caffe::DeviceQuery(); // error, fatal log: Cannot use GPU in CPU-only Caffe: check mode.// RNG: generate random numbercaffe::SyncedMemory data_a(10 * sizeof(int));caffe::Caffe::set_random_seed(8888);caffe::caffe_rng_bernoulli(10, 0.5, static_cast<int*>(data_a.mutable_cpu_data()));caffe::SyncedMemory data_b(10 * sizeof(int));caffe::Caffe::set_random_seed(8888);caffe::caffe_rng_bernoulli(10, 0.5, static_cast<int*>(data_b.mutable_cpu_data()));for (int i = 0; i < 10; ++i) {fprintf(stderr, "%d, %d\n", static_cast<const int*>(data_a.cpu_data())[i], static_cast<const int*>(data_b.cpu_data())[i]);if (static_cast<const int*>(data_a.cpu_data())[i] != static_cast<const int*>(data_b.cpu_data())[i]) {fprintf(stderr, "same seed should be generate same random number\n");return - 1;}}// set run modecaffe::Caffe::set_mode(caffe::Caffe::GPU);run_mode = caffe1.mode();fprintf(stderr, "0: CPU, 1: GPU, run_mode: %d\n", run_mode);return 0;}

执行结果如下图：

GitHub：https://github.com/fengbingchun/Caffe_Test