caffe中的数据结构解析.docxVIP

?caffe中数据结构主要包括caffe::Net，caffe::Layer，caffe::Solver三个主要大类。下面就这三个主要的数据结构做一下总结。 1，caffe:Net：这个数据结构用来表示整个网络，这个数据结构里包含了很多重要的变量。vector shared_ptr?Layer Dtype ?layers_变量存储的是每层layer结构体的指针。vector shared_ptr?Blob Dtype ?blobs_变量存放的是网络中层与层之间传递的数据，即每层的输入和输出。从这我们可以看出，每层的输入输出并不是存储在对应的层的结构体中的，而是统一存储在Net中。vector vector?Blob Dtype * ?bottom_vecs_变量存储的是每一层的输入的内存首地址，注意这只是存放的指针，真正的数据还是存放在blobs_中。vector vector?Blob Dtype * ?top_vecs_变量存储的是每一层的输出的内存的首地址，注意这也只是存放指针，真正的数据也是在blobs_中。vector shared_ptr?Blob Dtype ?params_存放是网络中每一层的参数。 2，caffe::Layer：这个是存放网络中和每一层有关的数据。vector shared_ptr?Blob Dtype ?blobs_变量存储每层网络的训练参数，通常有blobs_[0]存储该层网络的weight，blobs_[1]存储该层网络的bias。不管是weight还是bias都是具有blob结构，关于blob结构的数据存储具体是什么样的，以后会有总结。vector bool ?param_propagate_down_变量是网络另外一个重要变量，这个变量的作用是标记该层网络做不做反向传播。ector Dtype ?loss_变量是存储每层网络的loss，但是除了loss layer外，基本上其他类型的层的loss都是0。 基于caffe::Layer类衍生出的类有很多中，这里我们具体介绍几个重要的： （1）caffe::BaseConvolutionLayer：这个存储的是convlution层的所需要的参数int?bottom_dim_变量存储的是输入数据的宽度。int?top_dim_变量存储的是输出数据的宽度。int?num_是卷积层的batch size。int?out_spatial_dim_表示一张图片经过一个卷积核后的数据宽度。int output_offset_这是一个私有成员。int conv_out_channels_表示这层卷积层有多少个卷积核，这个变量是私有变量。 （2）caffe::PoolingLayer：这个是pooling层的数据结构，存储和pooling相关的参数int?height_，int?width_表示pooling层输入的图像的尺寸。int?pooled_height_，int?pooled_width_表示pooling层输出的图像的尺寸。int?kernel_h_，int?kernel_w_表示pooling的下采样的核的尺寸。int?channels_表示卷积核的数目。 （3）caffe::InnerProductLayer：这个内积层，存储内积层有关的参数。内积就是对数据数据进行加权求和:output=input*weight+biasint?M_表示一个batch中的样本数目，即input矩阵的行数目。int?K_表示输入数据的宽度，即input矩阵的列数目和weight矩阵的行数目。int?N_表示输出数据的宽度，即weight矩阵的列数目和output矩阵的列数目。Blob Dtype ?bias_multiplier_表示对bias进行scale的系数，通常为1，即表示不进行scale。 （4）caffe::SoftmaxWithLossLayer：这是代价函数层，在经过两层InnerProductLayer之后，输出的数据宽度就是10，这10个数据每一个数据代表输入数据属于某一个标签的分数。在经过caffe:SoftmaxWithLossLayer之后，输出是一个batch中的所有样本的代价函数cost的平均值。vector?Blob Dtype * ?softmax_bottom_vec_表示该层的输入，数据宽度为10。vector?Blob Dtype * ?softmax_top_vec_表示该层的输出，数据宽度为10。Blob Dtype ?prob_表示该层输出的概率值（输入相对于各个标签的概率值）。int?outer_num_对应一个batch中的样本数量。nt?inner_num_? （5）caff