【caffe源码研究】第四章：完整案例源码篇(2) ：LeNet初始化训练网络

一、Solver到Net

SGDSolver的构造函数中主要执行了其父类Solver的构造函数，接着执行

Solver::Init()

函数，在Init()中，有两个函数值得注意：

InitTrainNet()

和

InitTestNets()

分别初始化训练网络和测试网络。

(1). InitTrainNet

首先，

ReadNetParamsFromTextFileOrDie(param_.NET(), &net_param)

把

param_.Net()

（即

examples/mnist/lenet_train_test.prototxt

）中的信息读入

net_param

。

其次，

net_.reset(new Net<Dtype>(net_param))

重新构建网络，调用Net的构造方法。

然后，在构造方法中执行

Net::init()

，开始正式创建网络。其主要代码如下：

template <typename Dtype>
void Net<Dtype>::Init(const NetParameter& in_param) {
...
for (int layer_id = 0; layer_id < param.layer_size(); ++layer_id) {

// Setup layer.
const LayerParameter& layer_param = param.layer(layer_id);

// 在这里创建网络层
layers_.push_back(LayerRegistry<Dtype>::CreateLayer(layer_param));

// Figure out this layer's input and output
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.
need_backward |= blob_need_backward_[blob_id];
}
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);
}
...

// 在这里配置网络层
layers_[layer_id]->SetUp(bottom_vecs_[layer_id], top_vecs_[layer_id]);
...
}

for (int param_id = 0; param_id < num_param_blobs; ++param_id) {
AppendParam(param, layer_id, param_id);
}

...
}

说明：

Lenet5在caffe中共有9层，即param.layer_size()==9，以上代码每一次for循环创建一个网络层

每层网络是通过LayerRegistry::CreateLayer()创建的，类似与Solver的创建

14行Net::AppendBottom()，对于layer_id这层，从Net::blob_中取出blob放入该层对应的bottom_vecs_[layer_id]中

20行Net::AppendTop()，对于layer_id这层，创建blob（未包含数据）并放入Net::blob_中

AppendParam中把每层网络的训练参数与网络变量learnable_params_绑定，在lenet中，只有conv1,conv2,ip1,ip2四层有参数，每层分别有参数与偏置参数两项参数，因而learnable_params_的size为8.

(2). LayerRegistry::CreateLayer

工厂模式new出网络层对象

(3). Layer::SetUp

void SetUp(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
InitMutex();

CheckBlobCounts(bottom, top);

//每层进行配置
LayerSetUp(bottom, top);

//修改输出数据的维数（即top_blob的维数）等
//关注数据维数的应关注此函数
Reshape(bottom, top);

//设置损失权重
SetLossWeights(top);
}

其中，Reshape函数中通过compute_output_shape计算输出blob的函数，

二、训练网络结构

序	Layer	layer Type	Bottom Blob	Top Blob	Blob Shape
1	minst	Data		data&&label	64 1 28 28 (50176) && 64 (64)
2	conv1	Convolution	data	conv1	64 20 24 24 (737280)
3	pool1	Pooling	conv1	pool1	64 20 12 12 (184320)
4	conv2	Convolution	pool1	conv2	64 50 8 8 (204800)
5	pool2	Pooling	conv2	pool2	64 50 4 4 (51200)
6	ip1	InnerProduct	pool2	ip1	64 500 (32000)
7	relu1	ReLU	ip1	ip1(in-place)	64 500 (32000)
8	ip2	InnerProduct	ip1	ip2	64 10 (640)
9	loss	SoftmaxWithLoss	ip2&&label	loss	(1)

注：Top Blob Shape格式为：BatchSize，ChannelSize，Height，Width（Total Count）

网络结构如图所示：

三、 第一层：Data Layer

(1). protobuff定义

训练网络的第一层protobuff定义为：

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
}
}

(2). 函数LayerRegistry::CreateLayer

第1节中代码第一次通过调用LayerRegistry::CreateLayer()创建了DataLayer类.

调用DataLayer()的构造函数，依次执行的顺序为其基类构造函数：Layer()、BaseDataLayer()、InternalThread()、BasePrefetchingDataLayer()、及DataLayer()。

其中，值得注意的是DataLayer()，在调用基类构造函数BasePrefetchingDataLayer()之后，对 DataReader reader_ 进行赋值，在该DataLayer对象中维护了一个DataReader对象reader_，其作用是添加读取数据任务至，一个专门读取数据库（

examples/mnist/mnist_train_lmdb

）的线程（若还不存在该线程，则创建该线程），此处一共取出了4*64个样本至

BlockingQueue<Datum*> DataReader::QueuePair::full_

。

template <typename Dtype>
DataLayer<Dtype>::DataLayer(const LayerParameter& param)
: BasePrefetchingDataLayer<Dtype>(param),
reader_(param) {
}

(3). 函数Layer::SetUp

此处按程序执行顺序值得关注的有：

在

DataLayer::DataLayerSetUp

中根据

DataReader

中介绍的读取的数据中取出一个样本推测blob的形状

BasePrefetchingDataLayer::LayerSetUp

如下代码

prefetch_[i].data_.mutable_cpu_data()

用到了涉及到

gpu、cpu

间复制数据的问题.

// Before starting the prefetch thread, we make cpu_data and gpu_data
// calls so that the prefetch thread does not accidentally make simultaneous
// cudaMalloc calls when the main thread is running. In some GPUs this
// seems to cause failures if we do not so.
for (int i = 0; i < PREFETCH_COUNT; ++i) {
prefetch_[i].data_.mutable_cpu_data();
if (this->output_labels_) {
prefetch_[i].label_.mutable_cpu_data();
}
}

BasePrefetchingDataLayer

类继承了

InternalThread，BasePrefetchingDataLayer<Dtype>::LayerSetUp

中通过调用

StartInternalThread()

开启了一个新线程，从而执行

BasePrefetchingDataLayer::InternalThreadEntry

BasePrefetchingDataLayer::InternalThreadEntry

关键代码如下，其中

load_batch(batch)

为，从

BlockingQueue<Datum*> DataReader::QueuePair::full_

（包含从数据库读出的数据）中读取一个batch_size的数据到

BlockingQueue<Batch<Dtype>*> BasePrefetchingDataLayer::prefetch_full_

中。由于该线程在

prefetch_free_

为空时将挂起等待（

PREFETCH_COUNT=3

），

prefetch_full_

中用完的Batch将放回

prefetch_free_

中。该线程何时停止？

while (!must_stop()) {
Batch<Dtype>* batch = prefetch_free_.pop();
load_batch(batch);

#ifndef CPU_ONLY

if (Caffe::mode() == Caffe::GPU) {
batch->data_.data().get()->async_gpu_push(stream);
CUDA_CHECK(cudaStreamSynchronize(stream));
}

#endif

prefetch_full_.push(batch);
}

关于线程的总结：

此外一共涉及到两个线程，分别为都是继承了InnerThread的BasePrefetchingDataLayer(DataLayer)类和DataReader中的Body类

Body为面向数据库的线程，不断从某个数据库中读出数据，存放至缓存为队列+

DataReader::QueuePair::BlockingQueue<Datum*>

，一般保存4*64个单位数据，单位为Datum

BasePrefetchingDataLayer为面向网络的线程，从Body的缓存中不断读取数据。

BasePrefetchingDataLayer

的缓存为队列

BlockingQueue<Batch*>

，一般存放3个单位的数据，单位为Batch

static const int PREFETCH_COUNT = 3;
Batch<Dtype> prefetch_[PREFETCH_COUNT];
BlockingQueue<Batch<Dtype>*> prefetch_free_;
BlockingQueue<Batch<Dtype>*> prefetch_full_;

template <typename Dtype>
BasePrefetchingDataLayer<Dtype>::BasePrefetchingDataLayer(
const LayerParameter& param)
: BaseDataLayer<Dtype>(param),
prefetch_free_(), prefetch_full_() {
for (int i = 0; i < PREFETCH_COUNT; ++i) {
prefetch_free_.push(&prefetch_[i]);
}
}

prefetch_full_与prefetch_free_中的元素由prefetch_提供

四、第二层：Convolution Layer

(1). protobuff定义

layer {
name: "conv1"
type: "Convolution"
bottom: "data"
top: "conv1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
convolution_param {
num_output: 20
kernel_size: 5
stride: 1
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}

不像DataLayer 直接执行的是构造函数，此时执行的是

GetConvolutuionLayer()

，然后调用

ConvolutionLayer()

.

(2). LayerSetUp

在

Layer::SetUp

中，调用了

ConvolutionLayer

的基类

BaseConvolutionLayer

的

LayerSetUp及Reshape

函数，该类的主要成员变量如下：

/**
* @brief Abstract base class that factors out the BLAS code common to
*        ConvolutionLayer and DeconvolutionLayer.
*/
template <typename Dtype>
class BaseConvolutionLayer : public Layer<Dtype> {
public:
explicit BaseConvolutionLayer(const LayerParameter& param)
: Layer<Dtype>(param) {}
virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);
virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);

...
/// @brief The spatial dimensions of a filter kernel.
Blob<int> kernel_shape_;
/// @brief The spatial dimensions of the stride.
Blob<int> stride_;
/// @brief The spatial dimensions of the padding.
Blob<int> pad_;
/// @brief The spatial dimensions of the dilation.
Blob<int> dilation_;
/// @brief The spatial dimensions of the convolution input.
Blob<int> conv_input_shape_;
/// @brief The spatial dimensions of the col_buffer.
vector<int> col_buffer_shape_;
/// @brief The spatial dimensions of the output.
vector<int> output_shape_;
const vector<int>* bottom_shape_;
...
};

说明：

LayerSetUp函数中，主要是初始化了kernel_shape_、stride_、pad_、dilation_以及初始化网络参数，并存放与Layer::blobs_中。

Reshape函数中，conv_input_shape_、bottom_shape_等

五、第三层：Pooling Layer

(2). protobuff定义

layer {
name: "pool1"
type: "Pooling"
bottom: "conv1"
top: "pool1"
pooling_param {
pool: MAX
kernel_size: 2
stride: 2
}
}

(2). Layer::SetUp

通过调用虚函数LayerSetUp及Reshape对以下成员变量进行初始化

/**
* @brief Pools the input image by taking the max, average, etc. within regions.
*
* TODO(dox): thorough documentation for Forward, Backward, and proto params.
*/
template <typename Dtype>
class PoolingLayer : public Layer<Dtype> {
....
int kernel_h_, kernel_w_;
int stride_h_, stride_w_;
int pad_h_, pad_w_;
int channels_;
int height_, width_;
int pooled_height_, pooled_width_;
bool global_pooling_;
Blob<Dtype> rand_idx_;
Blob<int> max_idx_;
};

六、 第四层、第五层

基本同第二层、第三层

七、 第六层：InnerProduct Layer

(1). protobuff定义

layer {
name: "ip1"
type: "InnerProduct"
bottom: "pool2"
top: "ip1"
param {
lr_mult: 1
}
param {
lr_mult: 2
}
inner_product_param {
num_output: 500
weight_filler {
type: "xavier"
}
bias_filler {
type: "constant"
}
}
}

(2). Layer::SetUp

/**
* @brief Also known as a "fully-connected" layer, computes an inner product
*        with a set of learned weights, and (optionally) adds biases.
*
* TODO(dox): thorough documentation for Forward, Backward, and proto params.
*/
template <typename Dtype>
class InnerProductLayer : public Layer<Dtype> {
...
int M_;
int K_;
int N_;
bool bias_term_;
Blob<Dtype> bias_multiplier_;
};

说明：

N_为输出大小，即等于protobuff中定义的num_output

K_为输入大小，对于该层Bottom Blob形状为(N, C, H, W)，N为batch_size，K_=C*H*W，M_=N。其中只有C、H、W跟内积相关

八、SoftmaxWithLoss Layer

(1). protobuff定义

layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip2"
bottom: "label"
top: "loss"
}

九、SoftmaxWithLoss Layer

(1). protobuff定义

layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip2"
bottom: "label"
top: "loss"
}

(2). Layer::SetUp

值得注意的是：

类SoftmaxWithLossLayer包含类SoftmaxLayer的实例

shared_ptr<Layer<Dtype> > softmax_layer_

softmax_layer_在LayerSetUp中赋值。

此函数内调用

Layer::SetLossWeights

初始化了该层的Top Blob（loss）

成员变量prob_作为Softmaxlayer的top blob

bottom blob[0]作为softmaxlayer的bottom blob

所以经过softmaxlayer计算之后，得出64*10（每个样本的每个类别上的概率）存放在prob_中

两个类间的关系如下图：