caffe（六）主函式解析

tools/caffe.cpp

登錄檔

首先定義乙個登錄檔，

typedef

int (*brewfunction)();
typedef
std::map
string, brewfunction> brewmap;
brewmap g_brew_map;
#define registerbrewfunction(func) \
namespace \
}; \
__registerer_##func g_registerer_##func; \
}

main函式

之後main函式如下，

int main(int argc, char** argv)  catch (bp::error_already_set) 

#endif
} else 
}

開始呼叫getbrewfunction函式，

static brewfunction

getbrewfunction(const caffe:
:string& name) else 
log(fatal) << "unknown action: "
<< name;
return
null; //
not reachable, just to suppress old compiler warnings.
}}

train

train函式最重要的其實就只有三行，

shared_ptr:solver >

solver(caffe:
:solverregistry
::createsolver(solver_param)); // 根據solver_param建立一solver，呼叫的是solver_factory 的工廠函式，這時solver的初始化會呼叫net的初始化，就會列印網路 的資訊和部署網路，這個時候呼叫createsolver不會建立新的登錄檔，只會返回與solver_param對應的solver類，至於為什麼這樣，可以從solver_factory中得到，
solver->setactionfunction(signal_handler.getactionfunction()); // 規定動作，是從0開始訓練還是從訓練的 中間開始
solver->solve(); // solver開始訓練，迭代…

test函式是把模型正向跑一遍，不去跑反向，下面是註解

// instantiate the caffe net.

net caffe_net(flags_model, caffe::test, flags_level, &stages);
caffe_net.copytrainedlayersfrom(flags_weights);
log(info) << "running for "
<< flags_iterations << " iterations.";
vector
test_score_output_id; // test_score_output_id裡面也放了n個數，這n個數依次是網路輸出 blob的id
vector
test_score; // test score 裡面只記錄n個數，n代表的輸出blob的個數，
float loss = 0;
for (int i = 0; i < flags_iterations; ++i) else 
const
std::string& output_name = caffe_net.blob_names()[
caffe_net.output_blob_indices()[j]];
log(info) << "batch "
<< i << ", "
<< output_name << " = "
<< score;}}
} loss /= flags_iterations;
log(info) << "loss: "
<< loss;
for (int i = 0; i < test_score.size(); ++i) 
log(info) << output_name << " = "
<< mean_score << loss_msg_stream.str();
}

Caffe實踐 損失函式解析

在有監督的機器學習中，需要有標籤資料，與此同時，也需要有對應的損失函式 loss function 在caffe中，目前已經實現了一些損失函式，包括最常見的l2損失函式，對比損失函式，資訊增益損失函式等等。在這裡做乙個筆記，歸納總結caffe中用到的不同的損失函式，以及分析它們各自適合的使用場景。輸...

Caffe中的損失函式解析

在有監督的機器學習中，需要有標籤資料，與此同時，也需要有對應的損失函式 loss function 在caffe中，目前已經實現了一些損失函式，包括最常見的l2損失函式，對比損失函式，資訊增益損失函式等等。在這裡做乙個筆記，歸納總結caffe中用到的不同的損失函式，以及分析它們各自適合的使用場景。輸...

Caffe中的損失函式解析

導言 在有監督的 機器學習 中，需要有標籤資料，與此同時，也需要有對應的損失函式 loss function 在caffe中，目前已經實現了一些損失函式，包括最常見的l2損失函式，對比損失函式，資訊增益損失函式等等。在這裡做乙個筆記，歸納總結caffe中用到的不同的損失函式，以及分析它們各自適合的使...