使用caffe也有一段時間了，但更多是使用python的介面，使用現有的imagenet訓練好的模型進行分類。為了更好的了解caffe這個框架，也為了提高自己的水平，在對卷積神經網路有了一些研究之後，終於開始研讀caffe的原始碼了，今天看了blob類的一些內容，做個總結。
看過caffe官方文件的話，應該會知道，它可以分為三層：blob、layer、net。blob是乙個四維的陣列，用於儲存資料，包括輸入資料、輸出資料、權值等等；layer層則是神經網路中具體的各層結構，主要是計算的作用，在根據配置檔案初始化結構後，前向計算結果，反向更新引數，都是它要做的，而它的輸入和輸出都是blob資料；net的話，就是多個layer組合而成的有向無環圖結構，也就是具體的網路了。layer和net的**有待深入，尤其是layer的**，caffe實現了差不多40種不同的layer層，裡面有不同的啟用函式，這個要好好研究下。
#include "caffe/common.hpp"
#include "caffe/proto/caffe.pb.h"
#include "caffe/syncedmem.hpp"
#include "caffe/util/math_functions.hpp"
blob.hpp包含的四個標頭檔案入手，其中caffe.pb.h是google protocol buffer根據caffe.proto自動生成的，可以到src/caffe/proto/caffe.proto裡看下caffe裡面用到的各個資料的定義，比如blobproto，datum，netparameter等。使用這個protocol buffer看起來確實方便，一方面可以用文字檔案定義結構化的資料型別，另一方面可以生成查詢效率更高、佔空間更小的二進位制檔案，具體的教程可以看看這裡。
在caffe/common.hpp，主要singleton化caffe類，並封裝了boost和cuda隨機數生成的函式，提供了統一的介面。而在caffe/syncedmem.hpp中，定義了以下的介面：
inline void caffemallochost(void** ptr, size_t size)
inline void caffefreehost(void* ptr)
class syncedmemory定義了記憶體分配管理和cpu與gpu之間同步的函式，也沒啥特別的。
比較重要的是caffe/util/math_functions.hpp，這裡面封裝了很多cblas矩陣運算，真是密密麻麻，看的我眼花繚亂、如痴如醉。比如：
void caffe_cpu_gemm(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)void caffe_cpu_gemv(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的封裝，實現的矩陣與向量的乘積，結果為y=alphaax+beta*y。
void caffe_axpy(const int n, const float alpha, const float* x, float* y)cblas_saxpy，實現的是y=alpha*x+y
裡面都是諸如此類的函式，基本是些矩陣和向量的一些處理函式。
回到blob類，裡面定義了data_(),diff_()指標，用於存放資料，而num_,channel_,height_,width_則主要用來做定位offset和reshape處理。對於輸入(n, c, h, w)位置的資料位置為((n*channels_+c)*height_+h)*width_+w，可以依據位置取data_()或diff_()中的資料。
對blob的理解還要結合caffe.proto裡面blobproto的定義：
message blobprotoblobproto，可以看到定義了四個optional的int32型別的名字（name）num、channels、height和width，optional意味著blob可以有乙個或者沒有這個引數，每個名字（name）後面都有乙個數字，這個數字是其名字的乙個標籤。這個數字就是用來在生成的二進位制檔案中搜尋查詢的標籤（怪不得會快呢^_^）。關於這個數字，1到15會花費1byte的編碼空間，16到2047花費2byte。所以一般建議把那些頻繁使用的名字的標籤設為1到15之間的值～而後面的repeated意味著float型別的data和diff可以重複任意次，而加上[packed = true]是為了更高效的編碼。
到這裡基本上blob就很清楚了，主要資料有兩個data和diff，用num、channels、height和width這四個維度來確定資料的具體位置，做一些資料查詢和blobreshape的操作。
關於blob就這麼多內容，畢竟就是乙個統一的資料訪問介面，後續會重點讀一下layer的原始碼，畢竟各層的輸入輸出和計算更新過程都在裡面，還需要補充一些相關的知識～～
目前的感受，是學到了一些封裝的手法，可以看看封裝cblas函式的那個檔案，以及cpu和gpu一些介面的封裝上；另一方面是對於protocol buffer有了一些了解，目前看起來確實方便，以後如果遇到類似的場景可以試著用一下～～
caffe原始碼解析
目錄目錄 簡單介紹 主要函式readprotofromtextfile 函式 writeprotototextfile 函式 readprotofrombinaryfile 函式 writeprototobinaryfile 函式 readimagetocvmat 函式 matchext 函式 cv...
caffe原始碼解析 一
用si載入 後 首先從caffe layer的實現看起，不同框架下最大的差異就在於層的實現也決定了層的靈活性 layer可以看成是乙個基類，下面存在data layer，activation neuron layers，vision layer，common layers，loss layer,各個...
Caffe原始碼解析6 Neuron Layer
neuronlayer，顧名思義這裡就是神經元，啟用函式的相應層。我們知道在blob進入啟用函式之前和之後他的size是不會變的，而且啟用值也就是輸出 y 只依賴於相應的輸入 x 在caffe裡面所有的layer的實現都放在src資料夾下的layer資料夾中，基本上很多文章裡應用到的layer型別它...