深度学习框架Caffe源码解析

旧城等待， 2022-07-14 14:47 266阅读 0赞

**作者：**薛云峰([https://github.com/HolidayXue][https_github.com_HolidayXue])，主要从事视频图像算法的研究，就职于浙江捷尚视觉科技股份有限公司担任深度学习算法研究员。  
本文来源微信公众号：深度学习大讲堂。  
**原文：**[深度学习框架Caffe源码解析][Caffe]

相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。本文将从整体架构和底层实现的视角，对Caffe源码进行解析。

### Caffe总体架构 ###

Caffe框架主要有五个组件，Blob，Solver，Net，Layer，Proto，其结构图如下图1所示。Solver负责深度网络的训练，每个Solver中包含一个训练网络对象和一个测试网络对象。每个网络则由若干个Layer构成。每个Layer的输入和输出Feature map表示为Input Blob和Output Blob。Blob是Caffe实际存储数据的结构，是一个不定维的矩阵，在Caffe中一般用来表示一个拉直的四维矩阵，四个维度分别对应Batch Size（N），Feature Map的通道数（C）,Feature Map高度(H)和宽度(W)。Proto则基于Google的Protobuf开源项目，是一种类似XML的数据交换格式，用户只需要按格式定义对象的数据成员，可以在多种语言中实现对象的序列化与反序列化，在Caffe中用于网络模型的结构定义、存储和读取。

![图片描述][20161213102529870]

图1 Caffe源码总体架构图

### Blob解析 ###

下面介绍Caffe中的基本数据存储类Blob。Blob使用SyncedMemory类进行数据存储，数据成员 data\_指向实际存储数据的内存或显存块，shape\_存储了当前blob的维度信息，diff\_这个保存了反向传递时候的梯度信息。在Blob中其实不是只有num，channel，height，width这种四维形式，它是一个不定维度的数据结构，将数据展开存储，而维度单独存在一个vector 类型的shape\_变量中，这样每个维度都可以任意变化。

来一起看看Blob的关键函数，data\_at这个函数可以读取的存储在此类中的数据，diff\_at可以用来读取反向传回来的误差。顺便给个提示，尽量使用data\_at(const vector& index)来查找数据。Reshape函数可以修改blob的存储大小，count用来返回存储数据的数量。BlobProto类负责了将Blob数据进行打包序列化到Caffe的模型中。

### 工厂模式说明 ###

接下来介绍一种设计模式Factory Pattern，Caffe 中Solver和Layer对象的创建均使用了此模式，首先看工厂模式的UML的类图：

![图片描述][20161213102637667]

图2 工厂模式UML类图

如同Factory生成同一功能但是不同型号产品一样，这些产品实现了同样Operation，很多人看了工厂模式的代码，会产生这样的疑问为何不new一个出来呢，这样new一个出来似乎也没什么问题吧。试想如下情况，由于代码重构类的名称改了，或者构造函数参数变化(增加或减少参数)。而你代码中又有N处new了这个类。如果你又没用工厂，就只能一个一个找来改。工厂模式的作用就是让使用者减少对产品本身的了解，降低使用难度。如果用工厂，只需要修改工厂类的创建具体对象方法的实现，而其他代码不会受到影响。

![图片描述][20161213102716246]

举个例子，写代码少不得饿了要加班去吃夜宵，麦当劳的鸡翅和肯德基的鸡翅都是MM爱吃的东西，虽然口味有所不同，但不管你带MM去麦当劳或肯德基，只管向服务员说“来四个鸡翅”就行了。麦当劳和肯德基就是生产鸡翅的Factory。

### Solver解析 ###

接下来切回正题，我们看看Solver这个优化对象在Caffe中是如何实现的。SolverRegistry这个类就是我们看到的上面的factory类，负责给我们一个优化算法的产品，外部只需要把数据和网络结构定义好，它就可以自己优化了。

Solver\* CreateSolver(const SolverParameter& param)这个函数就是工厂模式下的CreateProduct的操作， Caffe中这个SolverRegistry工厂类可以提供给我们6种产品（优化算法）：

![图片描述][20161213102803278]

这六种产品的功能都是实现网络的参数更新，只是实现方式不一样。那我们来看看他们的使用流程吧。当然这些产品类似上面Product类中的Operation，每一个Solver都会继承Solve和Step函数，而每个Solver中独有的仅仅是ApplyUpdate这个函数里面执行的内容不一样，接口是一致的，这也和我们之前说的工厂生产出来的产品一样功能一样，细节上有差异，比如大多数电饭煲都有煮饭的功能，但是每一种电饭煲煮饭的加热方式可能不同，有底盘加热的还有立体加热的等。接下里我们看看Solver中的关键函数。

Solver中Solve函数的流程图如下：

![图片描述][20161213102836583]

图3 Solver类Solve方法流程图

Solver类中Step函数流程图：

![图片描述][20161213102915396]

图4 Solver类Step方法流程图

Solver中关键的就是调用Sovle函数和Step函数的流程，你只需要对照Solver类中两个函数的具体实现，看懂上面两个流程图就可以理解Caffe训练执行的过程了。

### Net类解析 ###

分析过Solver之后我们来分析下Net类的一些关键操作。这个是我们使用Proto创建出来的深度网络对象，这个类负责了深度网络的前向和反向传递。以下是Net类的初始化方法NetInit函数调用流程：

![图片描述][20161213103006351]

图5 Net类NetInit方法流程图

Net的类中的关键函数简单剖析

*  ForwardBackward：按顺序调用了Forward和Backward。
 *  ForwardFromTo(int start, int end)：执行从start层到end层的前向传递，采用简单的for循环调用。
 *  BackwardFromTo(int start, int end)：和前面的ForwardFromTo函数类似，调用从start层到end层的反向传递。
 *  ToProto函数完成网络的序列化到文件，循环调用了每个层的ToProto函数。

### Layer解析 ###

Layer是Net的基本组成单元，例如一个卷积层或一个Pooling层。本小节将介绍Layer类的实现。

**Layer的继承结构**  
![图片描述][20161213103105368]

图6 Layer层的继承结构

**Layer的创建**  
与Solver的创建方式很像，Layer的创建使用的也是工厂模式，这里简单说明下几个宏函数：

![图片描述][20161213103210484]

我们来看看大多数层创建的函数的生成宏REGISTER\_LAYER\_CLASS，可以看到宏函数比较简单的，将类型作为函数名称的一部分，这样就可以产生出一个创建函数，并将创建函数放入LayerRegistry。

![图片描述][20161213103249453]

这段代码在split\_layer.cpp文件中

![图片描述][20161213103323246]

![图片描述][20161213103355450]

当然这里的创建函数好像是直接调用，没有涉及到我们之前工厂模式的一些问题。所有的层的类都是这样吗？当然不是，我们仔细观察卷积类。

![图片描述][20161213103427078]

卷积层怎么没有创建函数呢，当然不是，卷积的层的创建函数在LayerFactory.cpp中，截图给大家看下，具体代码如下：

![图片描述][20161213103459703]

这样两种类型的Layer的创建函数都有了对应的声明。这里直接说明除了有cudnn实现的层，其他层都是采用第一种方式实现的创建函数，而带有cudnn实现的层都采用的第二种方式实现的创建函数。

**Layer的初始化**

介绍完创建我们看看层里面的几个函数都是什么时候被调用的。

关键函数Setup此函数在之前的流程图中的NetInit时候被调用，代码如下：

![图片描述][20161213103551469]

这样整个Layer初始化的过程中，CheckBlobCounts被最先调用，然后接下来是LayerSetUp，后面才是Reshape，最后才是SetLossWeights。这样Layer初始化的生命周期大家就有了了解。

**Layer的其他函数的介绍**

Layer的Forward函数和Backward函数完成了网络的前向和反向传递，这两个函数在自己实现新的层必须要实现。其中Backward会修改bottom中blob的diff\_，这样就完成了误差的方向传导。

### Protobuf介绍 ###

Caffe中的Caffe.proto文件负责了整个Caffe网络的构建，又负责了Caffemodel的存储和读取。下面用一个例子介绍Protobuf的工作方式：

利用protobuffer工具存储512维度图像特征：

*  message 编写：新建txt文件后缀名改为proto,编写自己的message如下，并放入解压的protobuff的文件夹里；

![图片描述][20161213103650985]

其中，dwFaceFeatSize表示特征点数量；pfFaceFeat表示人脸特征。

*  打开windows命令窗口(cmd.exe)—->cd空格，把protobuff的文件路径复制粘贴进去——>enter；
 *  输入指令protoc \*.proto –cpp\_out=. ———>enter
 *  可以看到文件夹里面生成“ *.pb.h”和“*.pb.cpp”两个文件，说明成功了

![图片描述][20161213103731220]

*  下面可以和自己的代码整合了：  
    
    
     *  新建你自己的工程，把“ *.pb.h”和“*.pb.cpp”两个文件添加到自己的工程里，并写上\#include” \*.pb.h”
     *  按照配库的教程把库配置下就可以了

VS下Protobuf的配库方法：  
解决方案—->右击工程名—->属性  
(1)c/c++—>常规—>附加包含目录—>

($your protobuffer include path)\\protobuffer

(2)c/c++—>链接器–>常规—>附加库目录–>

($your protobuffer lib path)\\protobuffer

(3) c/c++—>链接器–>输入—>附加依赖项–>

libprotobufd.lib;(带d的为debug模式)  
或libprotobuf.lib;（不带d,为release模式）

使用protobuf进行打包的方法如下代码：

![图片描述][20161213103812220]

**Caffe的模型序列化**

BlobProto其实就是Blob序列化成Proto的类，Caffe模型文件使用了该类。Net调用每个层的Toproto方法，每个层的Toproto方法调用了Blob类的ToProto方法，这样完整的模型就被都序列化到proto里面了。最后只要将这个proto继承于message类的对象序列化到文件就完成了模型写入文件。Caffe打包模型的时候就只是简单调用了WriteProtoToBinaryFile这个函数，而这个函数里面的内容如下：

![图片描述][20161213103908253]

**Proto.txt的简单说明**

Caffe网络的构建和Solver的参数定义均由此类型文件完成。Net构建过程中调用ReadProtoFromTextFile将所有的网络参数读入。然后调用上面的流程进行整个caffe网络的构建。这个文件决定了怎样使用存在caffe model中的每个blob是用来做什么的，如果没有了这个文件caffe的模型文件将无法使用，因为模型中只存储了各种各样的blob数据，里面只有float值，而怎样切分这些数据是由prototxt文件决定的。

Caffe的架构在框架上采用了反射机制去动态创建层来构建Net，Protobuf本质上定义了graph，反射机制是由宏配合map结构形成的，然后使用工厂模式去实现各种各样层的创建，当然区别于一般定义配置采用xml或者json，该项目的写法采用了proto文件对组件进行组装。

### 总结 ###

以上为Caffe代码架构的一个总体介绍，希望能借此帮助社区的小伙伴找到打开定制化Caffe大门的钥匙。本文作者希望借此抛砖引玉，与更多期望了解Caffe和深度学习框架底层实现的同行交流。

[https_github.com_HolidayXue]: https://github.com/HolidayXue
[Caffe]: http://mp.weixin.qq.com/s/rWDCYO5k06zT9BcXk21JJg
[20161213102529870]: /images/20220714/43792899578d4db88fd5f9c21deaff2f.png
[20161213102637667]: /images/20220714/46d5b9b04a234a44949b67f013cefa19.png
[20161213102716246]: /images/20220714/68367b187738491d9d1646f9eb9ffd9d.png
[20161213102803278]: /images/20220714/514ff92602124f28a0549ec4827162a0.png
[20161213102836583]: /images/20220714/21f749a45e5d42eeaf1e985ef28135d6.png
[20161213102915396]: /images/20220714/cfe5af8cd2f74a49a74e870e94f9e73e.png
[20161213103006351]: /images/20220714/4cd1299b336746f1976a9846f4632487.png
[20161213103105368]: /images/20220714/dd289dec7c524520b7507f5b522d6c23.png
[20161213103210484]: /images/20220714/cf1632c0188642deb8e5fa9751c98aad.png
[20161213103249453]: /images/20220714/bee63c3f17954ea5aaf41e21b02c06bb.png
[20161213103323246]: /images/20220714/2773f27198a542e6a18021deed12f65c.png
[20161213103355450]: /images/20220714/62a8cd3cfece46bf8bf7af9c745e4b10.png
[20161213103427078]: /images/20220714/a89ac039d9064b7bb9ea6adda4f2bc22.png
[20161213103459703]: /images/20220714/2c1d8057048a4aa4b215337b1a24d1c2.png
[20161213103551469]: /images/20220714/c004f94ba42d400f86368ab1cd036228.png
[20161213103650985]: /images/20220714/f479a3778ee84d3e9bcbe04ed6a8c5cc.png
[20161213103731220]: /images/20220714/0c9daedc88b842bd886a06f6c4fc6469.png
[20161213103812220]: /images/20220714/5a756a1f86e1402082e9e2365bc6627b.png
[20161213103908253]: /images/20220714/5a147fddb8114a09820cdd34c3507bb6.png