1、Layer数据结构
layer是caffe的基本单元,至少有一个Blob的输入和一个Blob的输出。部分的Layer带有权值(Weight)和偏置项(Bias),有两个运算的方向:前向传播(Forward)和反向传播(Backward)。其中前向传播会对输入的Blob进行某种处理,得到输出的Blob;而反向传播计算则对输出的Blob的diff进行某种处理,得到输入Blob的diff。
Layer是Caffe模型的本质内容和执行计算的基本单元。Layer可以进行很多运算,如convolve(卷积)、pool(池化)、inner product(内积),rectified-linear和sigmoid等非线性运算,元素级的数据变换,normalize(归一化)、load data(数据加载)、softmax和hinge等losses(损失计算)。
一个layer通过bottom(底部) 连接层接收blobs数据,通过top(顶部)连接层输出blobs数据。Caffe中每种类型layer的参数说明定义在caffe.proto文件中,具体的layer参数值则定义在具体应用的prototxt网络结构说明文件中。
Layer是网络的基本单元,由此派生出了各种层类。在Layer中input data用bottom表示,output data用top表示。由于Caffe网络的组合性和其代码的模块化,自定义layer是很容易的。只要定义好layer的setup(初始化设置)、forward(前向传播,根据input计算output)和backward(反向传播,根据output计算input的梯度),就可将layer纳入到网络中。
前传(forward)过程为给定的待推断的输入计算输出。在前传过程中,Caffe组合每一层的计算以得到整个模型的计算”函数”。本过程自底向上进行。
反传(backward)过程根据损失来计算梯度从而进行学习。在反传过程中,Caffe通过自动求导并反向组合每一层的梯度来计算整个网络的梯度。这就是反传过程的本质。本过程自顶向下进行。
反传过程以损失开始,然后根据输出计算梯度。根据链式准则,逐层计算出模型其余部分的梯度。有参数的层,会在反传过程中根据参数计算梯度。
与大多数的机器学习模型一样,在Caffe中,学习是由一个损失函数驱动的(通常也被称为误差、代价或者目标函数)。一个损失函数通过将参数集(即当前的网络权值)映射到一个可以标识这些参数”不良程度”的标量值来学习目标。因此,学习的目的是找到一个网络权重的集合,使得损失函数最小。
在Caffe中,损失是通过网络的前向计算得到的。每一层由一系列的输入blobs(bottom),然后产生一系列的输出blobs(top)。这些层的某些输出可以用来作为损失函数。典型的一对多分类任务的损失函数是softMaxWithLoss函数。
Caffe中每种类型layer的参数说明定义在caffe.proto文件中,具体的layer参数值则定义在具体应用的protobuf网络结构说明文件中。
2、Layer的消息格式
在Caffe中,一个网络的大部分功能都是以layer的形式去展开的。在创建一个Caffe模型的时候,也是以layer为基础进行的,需按照caffe.proto中定义的网络及参数格式定义网络prototxt文件。在.prototxt文件中会有很多个layer { } 字段。
//注意,如果增加了一个新的LayerParameter域,更新下一个可用的ID为147(最后的更新:recurrent_param)
message LayerParameter {
optional string name = 1; // the layer name
optional string type = 2; // the layer type
repeated string bottom = 3; // the name of each bottom blob
repeated string top = 4; // the name of each top blob
//当前的计算阶段(训练/测试)
optional Phase phase = 10;
//为每个TopBlob分配对损失函数的权重,每个Layer都有默认值,要么0,表示不参与目标函数的计算,要么为1表示参与损失函数的计算
repeated float loss_weight = 5;
//指定训练参数
repeated ParamSpec param = 6;
//包含了该层数值参数的Blob
repeated BlobProto blobs = 7;
//是否对Bottom Blob进行反向传播过程,该字段的长度应该与Bottom Blob一致
repeated bool propagate_down = 11;
//控制某个层的某个时刻是否包含在网络中,基于当前的NetState,你可以为include/exclude(不要同时)指定非零值,如果没有任何规则,该层一致包含在网络中,如果当前的NetState满足任何一个指定的额规则,那么该层会被包含或者排斥。
repeated NetStateRule include = 8;
repeated NetStateRule exclude = 9;
//数据预处理参数
optional TransformationParameter transform_param = 100;
//所有的损失层共享的参数
optional LossParameter loss_param = 101;
//特定类型层的参数,注意一些层实现时可能有多于一种的计算引擎,这些层包含一个引擎类型和引擎参数来选择实现,默认的引擎是在编译阶段由引擎开关设置的。
optional AccuracyParameter accuracy_param = 102;
optional ArgMaxParameter argmax_param = 103;
optional BatchNormParameter batch_norm_param = 139;
optional BiasParameter bias_param = 141;
optional ConcatParameter concat_param = 104;
optional ContrastiveLossParameter contrastive_loss_param = 105;
optional ConvolutionParameter convolution_param = 106;
optional CropParameter crop_param = 144;
optional DataParameter data_param = 107;
optional DropoutParameter dropout_param = 108;
optional DummyDataParameter dummy_data_param = 109;
optional EltwiseParameter eltwise_param = 110;
optional ELUParameter elu_param = 140;
optional EmbedParameter embed_param = 137;
optional ExpParameter exp_param = 111;
optional FlattenParameter flatten_param = 135;
optional HDF5DataParameter hdf5_data_param = 112;
optional HDF5OutputParameter hdf5_output_param = 113;
optional HingeLossParameter hinge_loss_param = 114;
optional ImageDataParameter image_data_param = 115;
optional InfogainLossParameter infogain_loss_param = 116;
optional InnerProductParameter inner_product_param = 117;
optional InputParameter input_param = 143;
optional LogParameter log_param = 134;
optional LRNParameter lrn_param = 118;
optional MemoryDataParameter memory_data_param = 119;
optional MVNParameter mvn_param = 120;
optional ParameterParameter parameter_param = 145;
optional PoolingParameter pooling_param = 121;
optional PowerParameter power_param = 122;
optional PReLUParameter prelu_param = 131;
optional PythonParameter python_param = 130;
optional RecurrentParameter recurrent_param = 146;
optional ReductionParameter reduction_param = 136;
optional ReLUParameter relu_param = 123;
optional ReshapeParameter reshape_param = 133;
optional ScaleParameter scale_param = 142;
optional SigmoidParameter sigmoid_param = 124;
optional SoftmaxParameter softmax_param = 125;
optional SPPParameter spp_param = 132;
optional SliceParameter slice_param = 126;
optional TanHParameter tanh_param = 127;
optional ThresholdParameter threshold_param = 128;
optional TileParameter tile_param = 138;
optional WindowDataParameter window_data_param = 129;
}
3、Layer模版类分析
每一个layer都定义了3种重要的运算:setup(初始化设置),forward(前向传播),backward(反向传播)。
(1)、setup:在模型初始化时重置layers及其相互之间的连接;
(2)、forward:从bottom层中接收数据,进行计算后将输出送人到top层中;
(3)、backward:给定相对于top层输出的梯度,计算其相对于输入的梯度,并传递到bottom层。一个有参数的layer需要计算相对于各个参数的梯度值并存储在内部。
特别地,forward和backward函数分别有CPU和GPU两张实现方式。如果没有实现GPU版本,那么layer将转向作为备用选项的CPU方式。这样会增加额外的数据传送成本(输入数据由GPU上复制到CPU,之后输出数据从CPU又复制回到GPU)。
总的来说,Layer承担了网络的两个核心操作:forward pass(前向传播)—-接收输入并计算输出;backward pass(反向传播)—-接收关于输出的梯度,计算相对于参数和输入的梯度并反向传播给在它前面的层。由此组成了每个layer的前向和反向传播。
位置:
include/caffe/layer.hpp
src/caffe/layer.cpp
3.1、主要的依赖文件
#include "caffe/blob.hpp" //Blob数据结构定义
#include "caffe/common.hpp" //生成随机数以及CPU/GPU选项
#include "caffe/layer_factory.hpp" //layer内部的注册机制
#include "caffe/proto/caffe.pb.h" //由caffe.proto生成的头文件
#include "caffe/util/math_functions.hpp" //主要是矩阵计算的加速库
3.2、主要的私有成员
bool is_shared_; //标志当前layer是否被其他的layer共享
shared_ptr<boots::mutex> forward_mutex_; //声明boost::mutex对象,互斥锁变量
void InitMutex(); //初始化互斥锁
void Lock(); //如果layer是共享的则加锁
void Unlock(); //如果layer是共享的则解锁
DISABLE_COPY_AND_ASSIGN(Layer); //禁止使用Layer类的拷贝和赋值操作
3.3、主要受保护的成员
//配置的layer参数,创建layer对象时,通过调用构造函数从上层传入,关于LayerParameter类的具体参数可参考caffe.proto中的message LayerParameter
LayerParameter layer_param_;
//layer的状态:指定参与网络是train还是test
Phase phase_;
//用于存储layer的学习的参数如权值和偏置
vector<shared_ptr<Blob<Dtype> > > blobs_;
//标志是否为layer指定的blob计算梯度值
vector<bool> param_propagate_down_;
//标志layer指定的top blob是否有一个非0权值
vector<Dtype> loss_;
//CPU实现layer的前向传播
virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top) = 0;
//GPU实现layer的前向传播
virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top) {
// LOG(WARNING) << "Using CPU code as backup.";
return Forward_cpu(bottom, top);
}
//CPU实现layer的反向传播
virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,const vector<bool>& propagate_down,const vector<Blob<Dtype>*>& bottom) = 0;
// GPU实现layer的反向传播
virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,const vector<bool>& propagate_down,const vector<Blob<Dtype>*>& bottom) { // LOG(WARNING) << "Using CPU code as backup.";
Backward_cpu(top, propagate_down, bottom);
}
//检查bottom和top blob是个数是否匹配
virtual void CheckBlobCounts(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top) {}
//设置top blobs中的diff值
inline void SetLossWeights(const vector<Blob<Dtype>*>& top){}
3.4、主要的成员函数
3.4.1、构造函数
// 显式构造函数,不需要重写,获得成员变量layer_param_、phase_、blobs_的值
explicit Layer(const LayerParameter& param) : layer_param_(param), is_shared_(false) {
// Set phase and copy blobs (if there are any).
phase_ = param.phase();
if (layer_param_.blobs_size() > 0) {
blobs_.resize(layer_param_.blobs_size());
for (int i = 0; i < layer_param_.blobs_size(); ++i) {
blobs_[i].reset(new Blob<Dtype>());
blobs_[i]->FromProto(layer_param_.blobs(i));
}
}
}
3.4.2、层的设置和共享
// layer初始化,此方法不需要重写,实现常用层配置接口,不可被覆盖
void SetUp(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
InitMutex();
CheckBlobCounts(bottom, top); //检查Blob
LayerSetUp(bottom, top); //与层类型相关的配置过程
Reshape(bottom, top); //对Top Blob变形
SetLossWeights(top); //设置损失权值因子
}
// 配置层虚函数通过Layer参数即LayerParameter类设置layer中某些成员变量的值
virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {}
// 获得layer data共享状态:一个layer的data是否被多个net共享,默认情况下只有数据读取层才能被Net共享
virtual inline bool ShareInParallel() const { return false; }
//获得layer是否被其它net共享
inline bool IsShared() const { return is_shared_; }
// 设置layer是否被其它net共享
inline void SetShared(bool is_shared) {
CHECK(ShareInParallel() || !is_shared)
<< type() << "Layer does not support sharing.";
is_shared_ = is_shared;
}
// 调整top blobs的shape
virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) = 0;
3.4.3、前向传播和反向传播
// 前向传播,通过输入bottom blobs,计算输出top blobs和返回loss
inline Dtype Forward(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top)
//具体实现:
template <typename Dtype>
inline Dtype Layer<Dtype>::Forward(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
// Lock during forward to ensure sequential forward
Lock();
Dtype loss = 0;
Reshape(bottom, top);
switch (Caffe::mode()) {
case Caffe::CPU:
Forward_cpu(bottom, top);
for (int top_id = 0; top_id < top.size(); ++top_id) {
if (!this->loss(top_id)) { continue; }
const int count = top[top_id]->count();
const Dtype* data = top[top_id]->cpu_data();
const Dtype* loss_weights = top[top_id]->cpu_diff();
loss += caffe_cpu_dot(count, data, loss_weights);
}
break;
case Caffe::GPU:
Forward_gpu(bottom, top);
#ifndef CPU_ONLY
for (int top_id = 0; top_id < top.size(); ++top_id) {
if (!this->loss(top_id)) { continue; }
const int count = top[top_id]->count();
const Dtype* data = top[top_id]->gpu_data();
const Dtype* loss_weights = top[top_id]->gpu_diff();
Dtype blob_loss = 0;
caffe_gpu_dot(count, data, loss_weights, &blob_loss);
loss += blob_loss;
}
#endif
break;
default:
LOG(FATAL) << "Unknown caffe mode.";
}
Unlock();
return loss;
}
// CPU实现layer的前向传播
virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) = 0;
// GPU实现layer的前向传播
virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
// LOG(WARNING) << "Using CPU code as backup.";
return Forward_cpu(bottom, top);
}
// 反向传播,通过给定top blob误差梯度,计算bottom blob误差梯度
inline void Backward(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down,
const vector<Blob<Dtype>*>& bottom);
//具体实现:
// 反向传播,通过给定top blob误差梯度,计算bottom blob误差梯度
template <typename Dtype>
inline void Layer<Dtype>::Backward(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down,
const vector<Blob<Dtype>*>& bottom) {
switch (Caffe::mode()) {
case Caffe::CPU:
Backward_cpu(top, propagate_down, bottom);
break;
case Caffe::GPU:
Backward_gpu(top, propagate_down, bottom);
break;
default:
LOG(FATAL) << "Unknown caffe mode.";
}
}
// CPU实现layer的反向传播
virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down,
const vector<Blob<Dtype>*>& bottom) = 0;
// GPU实现layer的反向传播
virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down,
const vector<Blob<Dtype>*>& bottom) {
// LOG(WARNING) << "Using CPU code as backup.";
Backward_cpu(top, propagate_down, bottom);
3.4.4、一些其他关于层的操作(主要是具体层各自要实现的虚函数)
// 获得layer的权值、偏置等
vector<shared_ptr<Blob<Dtype> > >& blobs() {
return blobs_;
}
// 获得layer的配置参数
const LayerParameter& layer_param() const { return layer_param_; }
// 序列化函数,将layer参数写入protobuf文件
virtual void ToProto(LayerParameter* param, bool write_diff = false);
// 获得top blob指定index的loss值
inline Dtype loss(const int top_index) const {
return (loss_.size() > top_index) ? loss_[top_index] : Dtype(0);
}
// 设置top blob指定index的loss值
inline void set_loss(const int top_index, const Dtype value) {
if (loss_.size() <= top_index) {
loss_.resize(top_index + 1, Dtype(0));
}
loss_[top_index] = value;
}
// 获得layer的类型
virtual inline const char* type() const { return ""; }
// 获得layer所需的bottom blobs的个数
virtual inline int ExactNumBottomBlobs() const { return -1; }
// 获得layer所需的bottom blobs的最少个数
virtual inline int MinBottomBlobs() const { return -1; }
// 获得layer所需的bottom blobs的最多个数
virtual inline int MaxBottomBlobs() const { return -1; }
// 获得layer所需的top blobs的个数
virtual inline int ExactNumTopBlobs() const { return -1; }
// 获得layer所需的top blobs的最少个数
virtual inline int MinTopBlobs() const { return -1; }
// 获得layer所需的top blobs的最多个数
virtual inline int MaxTopBlobs() const { return -1; }
// 判断layer所需的bottom blobs和top blobs的个数是否相等
virtual inline bool EqualNumBottomTopBlobs() const { return false; }
// 判断layer所需的的top blobs是否需要由Net::Init来创建
virtual inline bool AutoTopBlobs() const { return false; }
// 判断layer指定的bottom blob是否需要强制梯度返回,因为有些layer其实不需要梯度信息
virtual inline bool AllowForceBackward(const int bottom_index) const { return true; }
// 判断layer指定的blob是否应该计算梯度
inline bool param_propagate_down(const int param_id) {
return (param_propagate_down_.size() > param_id) ?
param_propagate_down_[param_id] : false;
}
// 设置layer指定的blob是否应该计算梯度
inline void set_param_propagate_down(const int param_id, const bool value) {
if (param_propagate_down_.size() <= param_id) {
param_propagate_down_.resize(param_id + 1, true);
}
param_propagate_down_[param_id] = value;
}