caffe源码：math_functions.cpp

#include <boost/math/special_functions/next.hpp>
#include <boost/random.hpp>

#include <limits>

#include "caffe/common.hpp"
#include "caffe/util/math_functions.hpp"
#include "caffe/util/rng.hpp"

namespace caffe {

// C = alpha*A*B + beta*C
//A,B,C 是输入矩阵（一维数组格式）
//CblasRowMajor :数据是行主序的（二维数据也是用一维数组储存的）
//TransA, TransB：是否要对A和B做转置操作（CblasTrans CblasNoTrans）
//M： A、C 的行数
//N： B、C 的列数
//K： A 的列数， B 的行数
//lda ： A的列数（不做转置）行数（做转置）
//ldb： B的列数（不做转置）行数（做转置）
template<>
void caffe_cpu_gemm<float>(const CBLAS_TRANSPOSE TransA,
const CBLAS_TRANSPOSE TransB, const int M, const int N, const int K,
const float alpha, const float* A, const float* B, const float beta,
float* C)
{
int lda = (TransA == CblasNoTrans) ? K : M;
int ldb = (TransB == CblasNoTrans) ? N : K;
cblas_sgemm(CblasRowMajor, TransA, TransB, M, N, K, alpha, A, lda, B,
ldb, beta, C, N);
}

template<>
void caffe_cpu_gemm<double>(const CBLAS_TRANSPOSE TransA,
const
4000
CBLAS_TRANSPOSE TransB, const int M, const int N, const int K,
const double alpha, const double* A, const double* B, const double beta,
double* C)
{
int lda = (TransA == CblasNoTrans) ? K : M;
int ldb = (TransB == CblasNoTrans) ? N : K;
cblas_dgemm(CblasRowMajor, TransA, TransB, M, N, K, alpha, A, lda, B,
ldb, beta, C, N);
}

//功能： y=alpha*A*x+beta*y
//其中X和Y是向量，A 是矩阵
//M：A 的行数
//N：A 的列数
//cblas_sgemv 中的 参数1 表示对X和Y的每个元素都进行操作
template <>
void caffe_cpu_gemv<float>(const CBLAS_TRANSPOSE TransA, const int M,
const int N, const float alpha, const float* A, const float* x,
const float beta, float* y)
{
cblas_sgemv(CblasRowMajor, TransA, M, N, alpha, A, N, x, 1, beta, y, 1);
}

template <>
void caffe_cpu_gemv<double>(const CBLAS_TRANSPOSE TransA, const int M,
const int N, const double alpha, const double* A, const double* x,
const double beta, double* y)
{
cblas_dgemv(CblasRowMajor, TransA, M, N, alpha, A, N, x, 1, beta, y, 1);
}

//功能： Y=alpha*X+Y
//N：为X和Y中element的个数
template <>
void caffe_axpy<float>(const int N, const float alpha, const float* X,
float* Y)
{
cblas_saxpy(N, alpha, X, 1, Y, 1);
}

template <>
void caffe_axpy<double>(const int N, const double alpha, const double* X,
double* Y)
{
cblas_daxpy(N, alpha, X, 1, Y, 1);
}

//功能：用常数 alpha 对 Y 进行初始化
//函数 void *memset(void *buffer, char c, unsigned count)
//一般为新申请的内存做初始化，功能是将buffer所指向内存中的每个字节的内容全部设置为c指定的ASCII值,
//count为块的大小
template <typename Dtype>
void caffe_set(const int N, const Dtype alpha, Dtype* Y)
{
if (alpha == 0)
{
memset(Y, 0, sizeof(Dtype) * N);  // NOLINT(caffe/alt_fn)
return;
}

for (int i = 0; i < N; ++i)
{
Y[i] = alpha;
}
}

template void caffe_set<int>(const int N, const int alpha, int* Y);
template void caffe_set<float>(const int N, const float alpha, float* Y);
template void caffe_set<double>(const int N, const double alpha, double* Y);

//功能： 给 Y 的每个 element 加上常数 alpha
template <>
void caffe_add_scalar(const int N, const float alpha, float* Y)
{
for (int i = 0; i < N; ++i)
{
Y[i] += alpha;
}
}

template <>
void caffe_add_scalar(const int N, const double alpha, double* Y)
{
for (int i = 0; i < N; ++i)
{
Y[i] += alpha;
}
}

//函数 void *memcpy(void *dest, void *src, unsigned int count)
//把src所指向的内存区域 copy到dest所指向的内存区域, count为块的大小
template <typename Dtype>
void caffe_copy(const int N, const Dtype* X, Dtype* Y)
{
if (X != Y)
{
if (Caffe::mode() == Caffe::GPU)
{
#ifndef CPU_ONLY
// NOLINT_NEXT_LINE(caffe/alt_fn)
CUDA_CHECK(cudaMemcpy(Y, X, sizeof(Dtype) * N, cudaMemcpyDefault));
#else
NO_GPU;
#endif
}
else
{
memcpy(Y, X, sizeof(Dtype) * N);  // NOLINT(caffe/alt_fn)
}
}
}

template void caffe_copy<int>(const int N, const int* X, int* Y);
template void caffe_copy<unsigned int>(const int N, const unsigned int* X,
unsigned int* Y);
template void caffe_copy<float>(const int N, const float* X, float* Y);
template void caffe_copy<double>(const int N, const double* X, double* Y);

//功能：X = alpha*X
//N： X中element的个数
template <>
void caffe_scal<float>(const int N, const float alpha, float *X)
{
cblas_sscal(N, alpha, X, 1);
}

template <>
void caffe_scal<double>(const int N, const double alpha, double *X)
{
cblas_dscal(N, alpha, X, 1);
}

//功能：Y= alpha*X+beta*Y
template <>
void caffe_cpu_axpby<float>(const int N, const float alpha, const float* X,
const float beta, float* Y)
{
cblas_saxpby(N, alpha, X, 1, beta, Y, 1);
}

template <>
void caffe_cpu_axpby<double>(const int N, const double alpha, const double* X,
const double beta, double* Y)
{
cblas_daxpby(N, alpha, X, 1, beta, Y, 1);
}

//功能：这四个函数分别实现element-wise的加减乘除（y[i] = a[i] + - * \ b[i]）
template <>
void caffe_add<float>(const int n, const float* a, const float* b,
float* y)
{
vsAdd(n, a, b, y);
}

template <>
void caffe_add<double>(const int n, const double* a, const double* b,
double* y)
{
vdAdd(n, a, b, y);
}

template <>
void caffe_sub<float>(const int n, const float* a, const float* b,
float* y)
{
vsSub(n, a, b, y);
}

template <>
void caffe_sub<double>(const int n, const double* a, const double* b,
double* y)
{
vdSub(n, a, b, y);
}

template <>
void caffe_mul<float>(const int n, const float* a, const float* b,
float* y)
{
vsMul(n, a, b, y);
}

template <>
void caffe_mul<double>(const int n, const double* a, const double* b,
double* y)
{
vdMul(n, a, b, y);
}

template <>
void caffe_div<float>(const int n, const float* a, const float* b,
float* y)
{
vsDiv(n, a, b, y);
}

template <
ee7b
;>
void caffe_div<double>(const int n, const double* a, const double* b,
double* y)
{
vdDiv(n, a, b, y);
}

//功能 : 同样是element-wise操作，
//分别是y[i] = a[i] ^ b， y[i] = a[i]^1/2，y[i] = exp(a[i] )，y[i] = log(a[i]),y[i] = |a[i]|
template <>
void caffe_powx<float>(const int n, const float* a, const float b,
float* y)
{
vsPowx(n, a, b, y);
}

template <>
void caffe_powx<double>(const int n, const double* a, const double b,
double* y)
{
vdPowx(n, a, b, y);
}

template <>
void caffe_sqr<float>(const int n, const float* a, float* y)
{
vsSqr(n, a, y);
}

template <>
void caffe_sqr<double>(const int n, const double* a, double* y)
{
vdSqr(n, a, y);
}

template <>
void caffe_exp<float>(const int n, const float* a, float* y)
{
vsExp(n, a, y);
}

template <>
void caffe_exp<double>(const int n, const double* a, double* y)
{
vdExp(n, a, y);
}

template <>
void caffe_log<float>(const int n, const float* a, float* y)
{
vsLn(n, a, y);
}

template <>
void caffe_log<double>(const int n, const double* a, double* y)
{
vdLn(n, a, y);
}

template <>
void caffe_abs<float>(const int n, const float* a, float* y)
{
vsAbs(n, a, y);
}

template <>
void caffe_abs<double>(const int n, const double* a, double* y)
{
vdAbs(n, a, y);
}

//功能：返回一个随机数
unsigned int caffe_rng_rand()
{
return (*caffe_rng())();
}

//功能 ： 返回 b 最大方向上可以表示的最接近的数值。
template <typename Dtype>
Dtype caffe_nextafter(const Dtype b)
{
return boost::math::nextafter<Dtype>(
b, std::numeric_limits<Dtype>::max());
}

template
float caffe_nextafter(const float b);

template
double caffe_nextafter(const double b);

//功能 :生成n个[a,b]均匀分布随机数,存放到 r 中。
template <typename Dtype>
void caffe_rng_uniform(const int n, const Dtype a, const Dtype b, Dtype* r)
{
CHECK_GE(n, 0);
CHECK(r);
CHECK_LE(a, b);
boost::uniform_real<Dtype> random_distribution(a, caffe_nextafter<Dtype>(b));
boost::variate_generator<caffe::rng_t*, boost::uniform_real<Dtype> >
variate_generator(caffe_rng(), random_distribution);
for (int i = 0; i < n; ++i)
{
r[i] = variate_generator();
}
}

template
void caffe_rng_uniform<float>(const int n, const float a, const float b,
float* r);

template
void caffe_rng_uniform<double>(const int n, const double a, const double b,
double* r);

template <typename Dtype>
void caffe_rng_gaussian(const int n, const Dtype a,
const Dtype sigma, Dtype* r)
{
CHECK_GE(n, 0);
CHECK(r);
CHECK_GT(sigma, 0);
boost::normal_distribution<Dtype> random_distribution(a, sigma);
boost::variate_generator<caffe::rng_t*, boost::normal_distribution<Dtype> >
variate_generator(caffe_rng(), random_distribution);
for (int i = 0; i < n; ++i)
{
r[i] = variate_generator();
}
}

template
void caffe_rng_gaussian<float>(const int n, const float mu,
const float sigma, float* r);

template
void caffe_rng_gaussian<double>(const int n, const double mu,
const double sigma, double* r);

template <typename Dtype>
void caffe_rng_bernoulli(const int n, const Dtype p, int* r)
{
CHECK_GE(n, 0);
CHECK(r);
CHECK_GE(p, 0);
CHECK_LE(p, 1);
boost::bernoulli_distribution<Dtype> random_distribution(p);
boost::variate_generator<caffe::rng_t*, boost::bernoulli_distribution<Dtype> >
variate_generator(caffe_rng(), random_distribution);
for (int i = 0; i < n; ++i)
{
r[i] = variate_generator();
}
}

template
void caffe_rng_bernoulli<double>(const int n, const double p, int* r);

template
void caffe_rng_bernoulli<float>(const int n, const float p, int* r);

template <typename Dtype>
void caffe_rng_bernoulli(const int n, const Dtype p, unsigned int* r)
{
CHECK_GE(n, 0);
CHECK(r);
CHECK_GE(p, 0);
CHECK_LE(p, 1);
boost::bernoulli_distribution<Dtype> random_distribution(p);
boost::variate_generator<caffe::rng_t*, boost::bernoulli_distribution<Dtype> >
variate_generator(caffe_rng(), random_distribution);
for (int i = 0; i < n; ++i)
{
r[i] = static_cast<unsigned int>(variate_generator());
}
}

template
void caffe_rng_bernoulli<double>(const int n, const double p, unsigned int* r);

template
void caffe_rng_bernoulli<float>(const int n, const float p, unsigned int* r);

//功能： 返回 vector X 和 vector Y 的内积。
//incx， incy ： 步长，即每隔incx 或 incy 个element 进行操作。
template <>
float caffe_cpu_strided_dot<float>(const int n, const float* x, const int incx,
const float* y, const int incy)
{
return cblas_sdot(n, x, incx, y, incy);
}

template <>
double caffe_cpu_strided_dot<double>(const int n, const double* x,
const int incx, const double* y, const int incy)
{
return cblas_ddot(n, x, incx, y, incy);
}

//功能： 返回 vector X 和 vector Y 的内积。
template <typename Dtype>
Dtype caffe_cpu_dot(const int n, const Dtype* x, const Dtype* y)
{
return caffe_cpu_strided_dot(n, x, 1, y, 1);
}

template
float caffe_cpu_dot<float>(const int n, const float* x, const float* y);

template
double caffe_cpu_dot<double>(const int n, const double* x, const double* y);

//功能：计算 vector x 的所有element的绝对值之和。
template <>
float caffe_cpu_asum<float>(const int n, const float* x)
{
return cblas_sasum(n, x, 1);
}

template <>
double caffe_cpu_asum<double>(const int n, const double* x)
{
return cblas_dasum(n, x, 1);
}

//功能：y = alpha*x
template <>
void caffe_cpu_scale<float>(const int n, const float alpha, const float *x,
float* y)
{
cblas_scopy(n, x, 1, y, 1);
cblas_sscal(n, alpha, y, 1);
}

template <>
void caffe_cpu_scale<double>(const int n, const double alpha, const double *x,
double* y)
{
cblas_dcopy(n, x, 1, y, 1);
cblas_dscal(n, alpha, y, 1);
}

}  // namespace caffe