darknet深度学习框架

https://pjreddie.com/darknet/

用于人脸表情端到端系统的重训练

 

 

 

 

附录1：

darknet深度学习框架源码分析：详细中文注释，涵盖框架原理与实现语法分析

https://github.com/hgpvision/darknet

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。

 

相比于TensorFlow来说，darknet并没有那么强大，但这也成了darknet的优势：

1. darknet完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是用其来显示图片、为了更好的可视化；

2. darknet支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更块更好了）；

3. 正是因为其较为轻型，没有像TensorFlow那般强大的API，所以给我的感觉就是有另一种味道的灵活性，适合用来研究底层，可以更为方便的从底层对其进行改进与扩展；

4. darknet的实现与caffe的实现存在相似的地方，熟悉了darknet，相信对上手caffe有帮助；

 

 

附录2：

作者：知乎用户
链接：https://www.zhihu.com/question/51747665/answer/145607615
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

darknet 中最重要的三个struct定义是 network_state, network, layer； 新版本network_state 已经并入到 network 里去了。

代码可以先忽略 gpu 部分，不同种类的网络层都是通过 layer 里面的函数指针 forward backward 和 update 定义本种类的执行规则。如 connected layer 就有 forward_connected_layer backward_connected_layer update_connected_layer 三个方法，gru layer 等也是一样；

原子运算只在 blas.c 和 gemm.c 里，网络的运算在 network.c 中，最重要的是 train_network_datum ，train_networks, train_network_batch 和 network_predict；

train_network_datum 是输入数据用 float_pair ， 就是 float *x , float *y 结对；

train_networks 是在 network_kernel.cu 里，以并发线程方式进行训练，参数是 data ;

有一点， darknet 在CPU模式下是单线程的，在多块GPU显卡模式下，train_networks支持多卡运行，而且这里也是改造成分布式多主机darknet运行的入口，可以看到训练出的权重数据合并和scale。

train_network_datum 顺序执行 forward_network { 逐层正向网络 } backward_network { 逐层逆向网络 }，满足次数下（*net.seen %subdivisions）执行一次 update_network( ,,, rate, momentum, decay);

对于用户定义的网络参数文件处理在 parse_network_cfg， 读入训练结果通过 load_weights

主干就是这些了。

如果需要处理特别需求的数据源，需要参考 data.c 入手。

对 cfg 配置文件，重点调整（当然是全部参数都很重要，可能都要调整），训练时调整重点的全局参数： decay momentum learning_rate 这三个是与收敛速度有关的。policy 是weights 策略的， inputs batch(及相关的subdivisions) ouputs 是与数据吞吐维度相关的，最新版本好像ouputs这里有改正。