一、代码的总体介绍

该init()函数中主要包括以下几个函数：

1. FilterNet(in_param,&filtered_param);

此函数的作用就是模型参数文件（*.prototxt）中的不符合规则的层去掉。例如：在caffe的examples/mnist中的lenet网络中，如果只是用于网络的前向，则需要将包含train的数据层去掉。如下：

[cpp]view plain copy 
    
 layer {  
   
   name: "mnist"  
   type: "Data"  
   top: "data"  
   top: "label"  
   include {  
     phase: TRAIN  
   }  
   transform_param {  
     scale: 0.00390625  
   }  
   data_param {  
     source: "examples/mnist/mnist_train_lmdb"  
     batch_size: 64  
     backend: LMDB  
   }  
 }//在test计算中，此层就会调用函数FilterNet()被过滤掉  

2、InsertSplits(filtered_param,&param);

此函数作用是，对于底层一个输出blob对应多个上层的情况，则要在加入分裂层，形成新的网络。这么做的主要原因是多个层反传给该blob的梯度需要累加。

例如：LeNet网络中的数据层的top label blob对应两个输入层，分别是accuracy层和loss层，那么需要在数据层在插入一层。如下图：

数据层之上插入了一个新的层，label_mnist_1_split层，为该层的创建两个top blob分别为，Label_mnist_1_split_0和Label_mnist_1_split_1。

3、layers_.push_back();

该行代码是把当前层的参数转换为shared_ptr<Layer<Dtype>>，创建一个具体的层，并压入到layers_中

4、AppendBottom();

此函数为该层创建bottom blob，由于网络是堆叠而成，即：当前层的输出 bottom是前一层的输出top blob，因此此函数并没没有真正的创建blob，只是在将前一层的指针压入到了bottom_vecs_中。

5、AppendTop();

此函数为该层创建top blob，该函数真正的new的一个blob的对象。并将topblob 的指针压入到top_vecs_中

6、layers_[layer_id]->SetUp();

前面创建了具体的层，并为层创建了输入bottom blob 和输出top blob。改行代码这是启动该层，setup()函数的功能是为创建的blob分配数据内存空间，如有必要还需要调整该层的输入bottom blob 和输出top blob的shape。

7、AppendParam();

对于某些有参数的层，例如：卷基层、全连接层有weight和bias。该函数主要是修改和参数有关的变量，实际的层参数的blob在上面提到的setup()函数中已经创建。如：将层参数blob的指针压入到params_。

二、下面是对函数Net:init()的代码的详细注解。

[cpp]view plain copy 
    
 template <typename Dtype>  
 void Net<Dtype>::Init(const NetParameter& in_param) {  
   CHECK(Caffe::root_solver() || root_net_)  
       << "root_net_ needs to be set for all non-root solvers";  
   // Set phase from the state.  
   phase_ = in_param.state().phase();  
   // Filter layers based on their include/exclude rules and  
   // the current NetState.  
   NetParameter filtered_param;  
     
   /*将in_param中的某些不符合规则的层去掉*/  
   FilterNet(in_param, &filtered_param);  
   LOG_IF(INFO, Caffe::root_solver())  
       << "Initializing net from parameters: " << std::endl  
       << filtered_param.DebugString();  
   // Create a copy of filtered_param with splits added where necessary.  
   NetParameter param;  
   /* 
   *调用InsertSplits()函数,对于底层的一个输出blob对应多个上层的情况， 
   *则要在加入分裂层，形成新的网络。 
   **/   
   InsertSplits(filtered_param, ¶m);  
 /* 
  *以上部分只是根据 *.prototxt文件，确定网络name 和 blob的name的连接情况， 
  *下面部分是层以及层间的blob的创建，函数ApendTop()中间blob的实例化 
  *函数layer->SetUp()分配中间层blob的内存空间 
  *appendparam() 
  */  
   // Basically, build all the layers and set up their connections.  
   name_ = param.name();  
   map<string, int> blob_name_to_idx;  
   set<string> available_blobs;  
   memory_used_ = 0;    
   // For each layer, set up its input and output   
   bottom_vecs_.resize(param.layer_size());//存每一层的输入(bottom)blob指针   
   top_vecs_.resize(param.layer_size());//存每一层输出(top)的blob指针  
   bottom_id_vecs_.resize(param.layer_size());//存每一层输入(bottom)blob的id  
   param_id_vecs_.resize(param.layer_size());//存每一层参数blob的id  
   top_id_vecs_.resize(param.layer_size());//存每一层输出(top)的blob的id  
   bottom_need_backward_.resize(param.layer_size());//该blob是需要返回的bool值  
   
   //（很大的一个for循环）对每一层处理  
   for (int layer_id = 0; layer_id < param.layer_size(); ++layer_id) {  
     // For non-root solvers, whether this layer is shared from root_net_.  
     bool share_from_root = !Caffe::root_solver()  
         && root_net_->layers_[layer_id]->ShareInParallel();// ???  
     // Inherit phase from net if unset.  
     //如果当前层没有设置phase，则将当前层phase设置为网络net 的phase  
     if (!param.layer(layer_id).has_phase()) {  
       param.mutable_layer(layer_id)->set_phase(phase_);  
     }  
     // Setup layer.  
     // param.layers(i)返回的是关于第当前层的参数：  
     const LayerParameter& layer_param = param.layer(layer_id);   
     if (layer_param.propagate_down_size() > 0) {  
       CHECK_EQ(layer_param.propagate_down_size(),  
           layer_param.bottom_size())  
           << "propagate_down param must be specified "  
           << "either 0 or bottom_size times ";  
     }  
     if (share_from_root) {  
       LOG(INFO) << "Sharing layer " << layer_param.name() << " from root net";  
       layers_.push_back(root_net_->layers_[layer_id]);  
       layers_[layer_id]->SetShared(true);  
     } else {  
         /* 
         *把当前层的参数转换为shared_ptr<Layer<Dtype>>， 
         *创建一个具体的层，并压入到layers_中  
         */  
       layers_.push_back(LayerRegistry<Dtype>::CreateLayer(layer_param));  
     }  
     //把当前层的名字压入到layer_names_：vector<string> layer_names_  
     layer_names_.push_back(layer_param.name());  
     LOG_IF(INFO, Caffe::root_solver())  
         << "Creating Layer " << layer_param.name();  
     bool need_backward = false;  
   
     // Figure out this layer's input and output   
     //下面开始产生当前层：分别处理bottom的blob和top的blob两个步骤   
     //输入bottom blob  
     for (int bottom_id = 0; bottom_id < layer_param.bottom_size();  
          ++bottom_id) {  
       const int blob_id = AppendBottom(param, layer_id, bottom_id,  
                                        &available_blobs, &blob_name_to_idx);  
       // If a blob needs backward, this layer should provide it.  
       /* 
         *blob_need_backward_,整个网络中，所有非参数blob，是否需要backward。 
         *注意，这里所说的所有非参数blob其实指的是AppendTop函数中遍历的所有top blob, 
         *并不是每一层的top+bottom,因为这一层的top就是下一层的bottom,网络是一层一层堆起来的。   
         */  
       need_backward |= blob_need_backward_[blob_id];  
     }  
     //输出top blob  
     int num_top = layer_param.top_size();  
     for (int top_id = 0; top_id < num_top; ++top_id) {  
       AppendTop(param, layer_id, top_id, &available_blobs, &blob_name_to_idx);  
       // Collect Input layer tops as Net inputs.  
       if (layer_param.type() == "Input") {  
         const int blob_id = blobs_.size() - 1;  
         net_input_blob_indices_.push_back(blob_id);  
         net_input_blobs_.push_back(blobs_[blob_id].get());  
       }  
     }  
     // If the layer specifies that AutoTopBlobs() -> true and the LayerParameter  
     // specified fewer than the required number (as specified by  
     // ExactNumTopBlobs() or MinTopBlobs()), allocate them here.  
     Layer<Dtype>* layer = layers_[layer_id].get();  
     if (layer->AutoTopBlobs()) {  
       const int needed_num_top =  
           std::max(layer->MinTopBlobs(), layer->ExactNumTopBlobs());  
       for (; num_top < needed_num_top; ++num_top) {  
         // Add "anonymous" top blobs -- do not modify available_blobs or  
         // blob_name_to_idx as we don't want these blobs to be usable as input  
         // to other layers.  
         AppendTop(param, layer_id, num_top, NULL, NULL);  
       }  
     }  
     // After this layer is connected, set it up.  
     if (share_from_root) {  
       // Set up size of top blobs using root_net_  
       const vector<Blob<Dtype>*>& base_top = root_net_->top_vecs_[layer_id];  
       const vector<Blob<Dtype>*>& this_top = this->top_vecs_[layer_id];  
       for (int top_id = 0; top_id < base_top.size(); ++top_id) {  
         this_top[top_id]->ReshapeLike(*base_top[top_id]);  
         LOG(INFO) << "Created top blob " << top_id << " (shape: "  
             << this_top[top_id]->shape_string() <<  ") for shared layer "  
             << layer_param.name();  
       }  
     } else {  
      // 在 SetUp()中为 appendTop()中创建的Blob分配内存空间  
       layers_[layer_id]->SetUp(bottom_vecs_[layer_id], top_vecs_[layer_id]);  
     }  
     LOG_IF(INFO, Caffe::root_solver())  
         << "Setting up " << layer_names_[layer_id];  
       
     //每次循环，都会更新向量blob_loss_weights      
     for (int top_id = 0; top_id < top_vecs_[layer_id].size(); ++top_id) {  
         //blob_loss_weights_,每次遍历一个layer的时候，都会resize blob_loss_weights_,   
         //然后调用模板类layer的loss函数返回loss_weight     
       if (blob_loss_weights_.size() <= top_id_vecs_[layer_id][top_id]) {  
         blob_loss_weights_.resize(top_id_vecs_[layer_id][top_id] + 1, Dtype(0));  
       }  
       //top_id_vecs_中存储的最基本元素是blob_id -> 每一个新的blob都会赋予其一个blob_id，  
       //但是这个blob_id可能是会有重复的   
       blob_loss_weights_[top_id_vecs_[layer_id][top_id]] = layer->loss(top_id);  
       //loss函数返回loss_weight —> 在模板类的SetUp方法中会调用SetLossWeights来设置其私有数据成员loss_,  
       //里面存储的其实是loss_weight      
       LOG_IF(INFO, Caffe::root_solver())  
           << "Top shape: " << top_vecs_[layer_id][top_id]->shape_string();  
         
       if (layer->loss(top_id)) {  
         LOG_IF(INFO, Caffe::root_solver())  
             << "    with loss weight " << layer->loss(top_id);  
       }  
       //计算所需内存   
       memory_used_ += top_vecs_[layer_id][top_id]->count();  
     }  
     LOG_IF(INFO, Caffe::root_solver())  
         << "Memory required for data: " << memory_used_ * sizeof(Dtype);  
   
     /* 
     *以下部分是对 每层的param blob 的处理，主要是AppendParam()函数， 
     *将param blob 以及blob的ID添加到 params_,param_id_vecs_ 等 
     */  
     const int param_size = layer_param.param_size();  
     // 层内blob_的数量，即该层有几个权重参数，每个blob内有一个参数，例如；cov层和IP层都有两个参数  
     const int num_param_blobs = layers_[layer_id]->blobs().size();  
     //param_size是Layermeter类型对象layer_param中ParamSpec param成员的个数,   
     //num_param_blobs是一个Layer中learnable parameter blob的个数，param_size <= num_param_blobs   
     CHECK_LE(param_size, num_param_blobs)  
         << "Too many params specified for layer " << layer_param.name();  
     ParamSpec default_param_spec;  
     for (int param_id = 0; param_id < num_param_blobs; ++param_id) {  
       const ParamSpec* param_spec = (param_id < param_size) ? &layer_param.param(param_id) : &default_param_spec;  
       const bool param_need_backward = param_spec->lr_mult() != 0;  
       //由param_need_backward来决定need_backward是否为真，  
       //并且，只要有一次遍历使得need_backward为真，则这个for循环结束后，need_backward也为真    
       need_backward |= param_need_backward;  
       layers_[layer_id]->set_param_propagate_down(param_id,  
                                                   param_need_backward);  
     }  
     /* 
     *添加parameter blob,如果当前layer没有parameter blob(num_param_blobs==0), 
     *比如ReLU，那么就不进入循环，不添加parameter blob     
     *AppendParam只是执行为当前layer添加parameter blob的相关工作， 
     *并不会修改与backward的相关属性  
     */  
     for (int param_id = 0; param_id < num_param_blobs; ++param_id) {  
       AppendParam(param, layer_id, param_id);  
     }  
     // Finally, set the backward flag  
     layer_need_backward_.push_back(need_backward);  
     /* 
     *在上述的AppendTop函数中，在遍历当前层的每一个top blob的时候 
     *都会将一个false（默认值）压入向量blob_need_backward_。 
     *在下面的代码中，如果这个layer need backward，则会更新blob_need_backward_   
     */  
     if (need_backward) {  
       for (int top_id = 0; top_id < top_id_vecs_[layer_id].size(); ++top_id) {  
         blob_need_backward_[top_id_vecs_[layer_id][top_id]] = true;  
       }  
     }  
   }  
 /*至此上面部分各个层被创建并启动，下面部分是按后向顺序修正backward设置  */  
     
   // Go through the net backwards to determine which blobs contribute to the  
   // loss.  We can skip backward computation for blobs that don't contribute  
   // to the loss.  
   // Also checks if all bottom blobs don't need backward computation (possible  
   // because the skip_propagate_down param) and so we can skip bacward  
   // computation for the entire layer  
   /* 
   *需要注意的是，上述代码中关于backward设置的部分，是按照前向的顺序设置的， 
   *而下面的代码是按后向顺序修正前向设置的结果。     
   * 一个layer是否需要backward computation，主要依据两个方面： 
   * (1)该layer的top blob 是否参与loss的计算； 
   * (2)该layer的bottom blob 是否需要backward computation， 
   *    比如Data层一般就不需要backward computation  
   */  
   set<string> blobs_under_loss;  
   set<string> blobs_skip_backp;  
   //反向，从后向前  
   for (int layer_id = layers_.size() - 1; layer_id >= 0; --layer_id) {  
     bool layer_contributes_loss = false;  
     bool layer_skip_propagate_down = true;  
     /* 
     *为true，则表示当前layer的bottom blob不需要backward computation 
     *即该层不需要backward computation。     
     *这个局部变量所表示的意义与caffe.proto里 
     *message Layerparameter的propagate_down的定义恰好相反。 
     */  
     for (int top_id = 0; top_id < top_vecs_[layer_id].size(); ++top_id) {  
          //blob_names_整个网络中，所有非参数blob的name   
       const string& blob_name = blob_names_[top_id_vecs_[layer_id][top_id]];  
       if (layers_[layer_id]->loss(top_id) ||  
           (blobs_under_loss.find(blob_name) != blobs_under_loss.end())) {  
         layer_contributes_loss = true;  
       }  
       if (blobs_skip_backp.find(blob_name) == blobs_skip_backp.end()) {  
         layer_skip_propagate_down = false;  
       }  
       if (layer_contributes_loss && !layer_skip_propagate_down)  
         break;  
     }  
     // If this layer can skip backward computation, also all his bottom blobs  
     // don't need backpropagation  
     if (layer_need_backward_[layer_id] && layer_skip_propagate_down) {  
       layer_need_backward_[layer_id] = false;  
       for (int bottom_id = 0; bottom_id < bottom_vecs_[layer_id].size();  
                ++bottom_id) {  
         //bottom_need_backward_,整个网络所有网络层的bottom blob是否需要backward    
         bottom_need_backward_[layer_id][bottom_id] = false;  
       }  
     }  
     if (!layer_contributes_loss) { layer_need_backward_[layer_id] = false; }  
     if (Caffe::root_solver()) {  
       if (layer_need_backward_[layer_id]) {  
         LOG(INFO) << layer_names_[layer_id] << " needs backward computation.";  
       } else {  
         LOG(INFO) << layer_names_[layer_id]  
             << " does not need backward computation.";  
       }  
     }  
     //修正前向设置的结果    
     for (int bottom_id = 0; bottom_id < bottom_vecs_[layer_id].size();  
          ++bottom_id) {  
       if (layer_contributes_loss) {  
         const string& blob_name =  
             blob_names_[bottom_id_vecs_[layer_id][bottom_id]];  
         blobs_under_loss.insert(blob_name);//为blobs_under_loss添加新元素    
       } else {  
         bottom_need_backward_[layer_id][bottom_id] = false;  
       }  
       if (!bottom_need_backward_[layer_id][bottom_id]) {  
         const string& blob_name =  
                    blob_names_[bottom_id_vecs_[layer_id][bottom_id]];  
         blobs_skip_backp.insert(blob_name);  
       }  
     }  
   }  
   // Handle force_backward if needed.  
   if (param.force_backward()) {  
     for (int layer_id = 0; layer_id < layers_.size(); ++layer_id) {  
       layer_need_backward_[layer_id] = true;  
       for (int bottom_id = 0;  
            bottom_id < bottom_need_backward_[layer_id].size(); ++bottom_id) {  
         bottom_need_backward_[layer_id][bottom_id] =  
             bottom_need_backward_[layer_id][bottom_id] ||  
             layers_[layer_id]->AllowForceBackward(bottom_id);  
         blob_need_backward_[bottom_id_vecs_[layer_id][bottom_id]] =  
             blob_need_backward_[bottom_id_vecs_[layer_id][bottom_id]] ||  
             bottom_need_backward_[layer_id][bottom_id];  
       }  
       for (int param_id = 0; param_id < layers_[layer_id]->blobs().size();  
            ++param_id) {  
         layers_[layer_id]->set_param_propagate_down(param_id, true);  
       }  
     }  
   }  
   // In the end, all remaining blobs are considered output blobs.  
   for (set<string>::iterator it = available_blobs.begin();  
       it != available_blobs.end(); ++it) {  
     LOG_IF(INFO, Caffe::root_solver())  
         << "This network produces output " << *it;  
     net_output_blobs_.push_back(blobs_[blob_name_to_idx[*it]].get());  
     net_output_blob_indices_.push_back(blob_name_to_idx[*it]);  
   }  
   for (size_t blob_id = 0; blob_id < blob_names_.size(); ++blob_id) {  
     //第一次使用向量blob_names_index_,逐一添加元素，是一个map      
     blob_names_index_[blob_names_[blob_id]] = blob_id;  
   }  
   for (size_t layer_id = 0; layer_id < layer_names_.size(); ++layer_id) {  
     //第一次使用向量layer_names_index_，逐一添加元素，是一个map      
     layer_names_index_[layer_names_[layer_id]] = layer_id;  
   }  
   ShareWeights();  
   debug_info_ = param.debug_info();  
   LOG_IF(INFO, Caffe::root_solver()) << "Network initialization done.";  
 }  

caffe代码详细注解--init