caffe模型文件解析_深度学习 Caffe 初始化流程理解（数据流建立）

深度学习 Caffe 初始化流程理解(数据流建立)

之前在简书的文章，搬迁过来 ^-^

本文是作者原创，如有理解错误，恳请大家指出，如需引用，请注明出处。

#Caffe FeatureMap数据流的建立 ##用语解释

FeatureMap: 输入的图片信息或者经过多层处理后的图片信息。
weights: 只针对卷积层存在的权重系数。
caffe :文中提到的caffe均指caffed1.0,如果使用caffe2.0会特别指出。

在讲解FeatureMap的数据流之前，首先需要明确一下caffe的大体结构，caffe的整体逻辑结构分为3层，分别是Net,Layer和Blob，分别的作用如下：

Net: 该层处于CAFFE的最顶层，主要负责对模型文件的读写，根据模型文件的内容建立相应的Layer，填充对应层的数据并进行相关的调用。
Layer: 该层是实际的执行单元，常见的如卷积层，Pooling层都是处于这一逻辑层。
Blob:该层是一个内存管理的模块，为Layer和Net提供相应的存储空间，屏蔽上层对于内存分配，CPU,GPU切换的感知。

由上面的讲解分层关系不难看出，FeatureMap在整个Caffe框架中，不属于任何一个Layer，所以它被最顶层的Net层所持有。Net层就需要能够通过caffe的模型文件推倒出每一层所依赖的输入，这样才能构建出一个完整的数据链。在这种需求下Caffe引入了两个定义：

bottom: Layer的输入数据。
top: Layer的输出数据。具体的形式如下图(单输入和多输入的情形)：

所以Net在调用Layer之前就一定知道了Layer的所需要的输入数据，也就是需要Net层所持有的Blob变量需要被那些层所引用。这些在模型文件中也有直观的反应(为了方便截图，删除了下图proto中关于Convlution的参数配置)：

上述的工作都在Net的Init(void Net::Init(const NetParameter& in_param))函数里面进行了处理，主要实现的就是根据上图左侧的模型文件得到需要建立的Layer的类型，并将各个Layer间的数据链接起来。函数中的关键参数如下：

名称功能in_param存放由protobuf转换出的模型文件bottom_vecs_存放每一层中的输入数据类型为：vector >top_vecs_存放每一层中的输出数据类型为：vector >available_blobs存放每一层中的输出数据类型为：vector >

##常规的数据链建立流程是(单输入单输出的场景)：

链接本层的bottom数据( int Net::AppendBottom(const NetParameter& param, const int layer_id, const int bottom_id, set* available_blobs, map* blob_name_to_idx) ),该函数会使用从当前layer持有的bottom信息中得到对应bottom的层名，然后利用该名称找到对应的blob，并加入到bottom_vecs_。
链接本层的top数据(void Net::AppendTop(const NetParameter& param, const int layer_id,const int top_id, set* available_blobs, map* blob_name_to_idx)),该操作就是将本层的输出数据加入到top_vecs_中，并与 layer_id相关联，这里同时负责Blob对象的申请。需要指出的是，新的Blob对象是在top中进行创建的，在Bottom中只是将上一层top的指针添加进来，同时在这个过程中CAFFE还利用available_blobs进行了异常校验，在每次新加入top的时候记录对应的Blob名称，在bottom中链接上一层top之后，在available_blobs中将对应的Blob名称剔除。相关伪代码如下：

 for (int layer_id = 0; layer_id < param.layer_size(); ++layer_id) { AppendBottom(); AppendTop(); }复制代码

##多输入的数据链的建立：细心的同学应该已经发现，当数据为多bottom输入的时候，因为available_blobs的数据被上一次的链接过程删掉，则再次链接相同bottom的时候，会出先异常告警，在这种情况下我们就要引入CAFFE的另外一处理函数 void InsertSplits(const NetParameter& param, NetParameter* param_split)，该函数的主要功能就是对 top输出到多个 Layer的情况进行分割。整个函数分为两个部分：

遍历整个网络，记录每一个Layer的top的使用情况，记录结构放在 top_idx_to_bottom_count中。
遍历整个网络，对 top_idx_to_bottom_count > 1 的情况进行处理: a. 首先是对top被多个层使用的Layer进行分割，主要的做法是在该层的后面新建一个Layer ，这个新的Layer的会按照 top_idx_to_bottom_count 的个数和约定的分割名称(SplitBlobName)去新建top，添加层的代码如下(此处只展示核心的创建过程，具体调用流程请自行跟踪)：

 //该函数执行新层的添加 void ConfigureSplitLayer(const string& layer_name, const string& blob_name, const int blob_idx, const int split_count, const float loss_weight, LayerParameter* split_layer_param) { split_layer_param->Clear(); split_layer_param->add_bottom(blob_name); split_layer_param->set_name(SplitLayerName(layer_name, blob_name, blob_idx)); split_layer_param->set_type("Split"); for (int k = 0; k < split_count; ++k) {//split_count就是该top被引用的个数 //添加了分割后的top //命名由SplitBlobName生成  split_layer_param->add_top( SplitBlobName(layer_name, blob_name, blob_idx, k)); if (loss_weight) { if (k == 0) { split_layer_param->add_loss_weight(loss_weight); } else { split_layer_param->add_loss_weight(0); } } } }复制代码