DeepLearning（基于caffe）实战项目（7）--从caffe结构里函数总结一览caffe

        我觉得学习caffe，必须得做到会修改源码，刚开始可以不需要知道所有的函数是如何实现的，但必须得知道里边都有哪些函数，这些函数都可以干什么。

        用网上流行的比喻：Blobs,Layers,Nets的关系就好比，Blob是砖块，Layer是墙，net是一栋大楼。

Blob:

        Blob是一个模板类，在内存中表示4维数组，维度从低到高为：width、height、channels（颜色通道）、num（第几帧）

        函数总结：

Reshape：变形函数，根据输入参数重新设置当前Blob形状
cpu_data：只读获取cpu data的指针
set_cpu_data：修改cpu data的指针
gpu_data：只读获得gpu data的指针
cpu_diff：只读获得cpu diff的指针
gpu_diff：只读获得gpu diff的指针
mutable_cpu_data：读写访问cpu data的指针
mutable_gpu_data：读写访问gpu data的指针
mutable_cpu_diff：读写访问cpu diff的指针

mutable_gpu_diff：读写访问gpu diff的指针

ShareData：共享data指针
ShareDiff：共享diff指针
Update：网络参数Blob的更新
asum_data：计算data的L1范数
sumsq_data：计算data的L2范数
scale_data：对data进行幅度缩放
CopyFrom：从另一个Blob对象拷贝data
FromProto：从BlobProto中加载一个Blob
ToProto：将Blob中的data导出到BlobProto结构体

Layer:

        Layer至少有一个输入Blob和一个输出Blob，部分Layer带有权值和偏置项，有两个运算方向：前向传播、后向传播

        值得注意的是：大部分函数没有在Layer.cpp中实现，只有虚函数，真正实现的都在派生类中，具体看各个cpp

        函数总结：

Reshape：变形函数，修改Top Blob以及内部Blob缓冲区的形状
Forward：前向传播函数，给定Bottom Blob，计算Top Blob和Loss，返回值为当前层loss
Backward：反向传播函数，给定Top Blob误差梯度，就按Bottom Blob误差梯度
ToProto：将Layer初始化参数写入ProtoBuffer缓冲区中
loss：返回某个Top Blob相关的标量loss值
CheckBlobCounts：校验输入/输出BLob数目是否满足Layer要求
SetLossWeights：该函数在layer中SetUp函数中被调用，主要目的是初始化与Top Blob相关的loss权重，放到Top Blob的diff域中，实际由Forward()计算loss
        在layer中的Forward和Backward是前向传播函数和后向传播函数包装，不需要修改这两个函数，使用的时候只需要在派生类改写Forward_cpu、Forward_gpu、Backward_cpu、Backward_gpu

Net:

        Net在caffe中代表一个完整的CNN模型，它包括若干Layer实例

        函数总结：

ForwardPrefilled：运行前向传播，输入Blob已经预先填充
ForwardFromTo：前向传播的其中一种形式，还包括其他两种形式
Forward：前向传播，指定输入Blob进行前向传播
ClearParamDiffs：清零所有权值的diff域，应在反向传播之前运行
Backward：反向传播，无需指定输入/输出Blob，因为前向传播的时候已经建立联系
ForwardBackward：前向传播+后向传播，输入为Bottom Blob，输出为loss
Update：根据已经（solver）准备好的diff值更新网络权值
ToProto：序列化一个Net到ProtoBuffer
ToHDF5：序列化一个Net到HDF5
num_inputs：返回输入Blob数目
num_output：返回输出Blob数目
FilterNet：过滤掉用户指定的在某个阶段、级别、状态下不应该包含的Layer
AppendTop：为网络追加一个Top Blob
AppendBottom：为网络追加一个Bottom Blob
AppendParam：为网络追加一个权值Blob