caffe源码串联（一）

自己在学习过程中遇到了很多坑，由于基础太差，基本是寸步难行，看到繁杂的caffe源码就想按下电脑电源键强制关机，就在我要放弃之刻，我遇到了老司机志轩，志轩老湿的一番话让我茅塞顿开，故决定开博文写自己的caffe学习之旅，反正不会就小窗口志轩，烦也要烦死他，之后的博文会都会在结尾附上志轩老师的博客，有需要的同志看一下，说不定就有有用的东西。

---

此次学习内容为relu.layer,从blob到layer，以后的每一个层都采取这样串联的方式，希望可以系统的帮助到别人。

---

1. 需要的一点caffe基础：
   从caffe.proto看起，这个源码文件在 src/caffe/proto,编译后产生c++文件在build/src/caffe/proto目录下有两个文件，分别为caffe.pb.h和caffe.pb.cc ,这几个文件有什么关系呢？别急，志轩原话：“那个caffe.pb.cc是对应caffe消息经过protobuf编译后的c++代码”，见我懵逼，志轩老师举了个例子：比如你在caffe.proto写了一个消息，然后编译，在caffe.pb.cc中会找到对应消息的c++源码（好像是重复了上面的意思。）

2. 从caffe.proto开始到caffe.pb.cc

用文本编辑器打开caffe.proto文件,映入眼帘的是如下代码:

message BlobShape {
  repeated int64 dim = 1 [packed = true];
}

看着很简单嘛，三行代码，我们再看看经过protobuf编译后产生的caffe.pb.h中有多少c++代码，打开c++.pb.h，对应638到728行之间的c++代码，protobuf简直就是神器呀，对我等代码弱鸡，可谓是福利。
好了，继续返回caffe.proto, 找到如下代码：

```
message BlobProto {
  optional BlobShape shape = 7;
  repeated float data = 5 [packed = true];
  repeated float diff = 6 [packed = true];
  repeated double double_data = 8 [packed = true];
  repeated double double_diff = 9 [packed = true];

  // 4D dimensions -- deprecated.  Use "shape" instead.
  optional int32 num = 1 [default = 0];
  optional int32 channels = 2 [default = 0];
  optional int32 height = 3 [default = 0];
  optional int32 width = 4 [default = 0];
}

上述代码做的事情是规定了blob的维度，具体看：data是数据，diff是梯度，分别分float和double，下面是规定blob的维度，num*channels*height*width，规定了一个blob的大小，先不管repeated，opthonal是个啥意思，暂时当repeated对应在c++代码里是STL的vector，optional对应变量。

开始今天的第一个层：Relu层。

第一步：先看relu_layer.hpp，位于caffe根目录下的include/src/caffe/layers/relu_layer.hpp目录下，打开发现如下代码，

 `template 
class ReLULayer : public NeuronLayer {

这个c++代码说明了ReLU层继承于类NeuronLayer层，实际上NeuronLayer层继承于Layer（这是志轩老师给我说的，我暂时强迫自己接受），继续往下看，发现ReLU讲并不是很复杂的实现，讲了两个东西：一个forward传播，一个backward传播，并分了两种实现形式：CPU和GPU。具体代码此处不贴了。看完relu.pb.h（主要讲了relu实现了什么，具体怎么实现继续看），我们看一下relu.pb.cc，了解一下relu.pb.h里说的一些功能在relu.pb.cc里都是怎么实现的。打开relu.pb.cc，这里代码不多，我就直接全贴上来。

include 
#include 

#include "caffe/layers/relu_layer.hpp"

namespace caffe {

template <typename Dtype>
void ReLULayer::Forward_cpu(const vector*>& bottom,   //定义bottom，top（都是blob）
    const vector*>& top) {
  const Dtype* bottom_data = bottom[0]->cpu_data();//底部数据是不可变的，因为可能底部的数据要用于别的层。
  Dtype* top_data = top[0]->mutable_cpu_data();
  const int count = bottom[0]->count();     //count=num*channels*h*w,即所有像素。
  Dtype negative_slope = this->layer_param_.relu_param().negative_slope();
  for (int i = 0; i < count; ++i) {
    top_data[i] = std::max(bottom_data[i], Dtype(0))
        + negative_slope * std::min(bottom_data[i], Dtype(0));
  }
}

template <typename Dtype>
void ReLULayer::Backward_cpu(const vector*>& top,
    const vector<bool>& propagate_down,
    const vector*>& bottom) {
  if (propagate_down[0]) {
    const Dtype* bottom_data = bottom[0]->cpu_data();
    const Dtype* top_diff = top[0]->cpu_diff();
    Dtype* bottom_diff = bottom[0]->mutable_cpu_diff();
    const int count = bottom[0]->count();
    Dtype negative_slope = this->layer_param_.relu_param().negative_slope();
    for (int i = 0; i < count; ++i) {
      bottom_diff[i] = top_diff[i] * ((bottom_data[i] > 0)
          + negative_slope * (bottom_data[i] <= 0));
    }
  }
}


#ifdef CPU_ONLY
STUB_GPU(ReLULayer);
#endif

INSTANTIATE_CLASS(ReLULayer);

}  // namespace caffe

注意看哦，首先include “caffe/layers/relu_layer.hpp”,类似函数声明，上面我注释了一下，感觉还算清楚，但具体语法别问我，我是c++菜比，forward里，遍历所有像素，实现的运算是：top=max（x,0）+negative_slope*min(x,0),这里negative_slope默认为0，所以relu的forward传播实现的实际上是max（x，0），再看backward传播，注意，同样的东西，只不过实现的函数是上述top表达式对x的导数，为啥，为啥？自己悟。好啦，到现在为止一个relu_layer的实现已经看完了，forward和backward。

最后，说一下写此博文的目的，第一：记录自己的caffe学习历程。第二：感谢志轩同学的慷慨帮助，有啥不懂的问他他也会给你解答。第三，自己学习caffe的过程才刚开始，之前都是在caffe的框架外围兜圈，从没想过看源码，借这个机会，记录下，希望帮助到可以帮助的人，会不定期更新，想写一套完整的教程，希望和志轩老师的约定能实现吧。水平有限，有需要改正的地方评论一下，或者有什么问题可以留言讨论。
“`