caffe源码分析-Blob

本文主要分析caffe源码分析-Blob，主要如下几个方面：

1. overview整体上了解caffe的Blob

2. Blob 成员变量

3. Blob主要函数，核心在于Blob的使用实例以及其与opencv Mat的操作的相互转化(附带运行结果基于CLion)

overview

Blob 是Caffe作为数据传输的媒介，无论是网络权重参数，还是输入数据，都是转化为Blob数据结构来存储，网络，求解器等都是直接与此结构打交道的。

其直观的可以把它看成一个有4维的结构体（包含数据和梯度），而实际上，它们只是一维的指针而已，其4维结构通过shape属性得以计算出来（根据C语言的数据顺序）。

Blob在也不一定全是4维的，例如全连接层的参数就没有用四维，后期的版本已经deprecated，而是直接用vector shape_

---

成员变量

Blob中的主要数据成员如下，实际是在SyncedMemory上做了一层包装(SyncedMemory介绍见上一篇blog)：

protected:
    shared_ptr data_; //存储前向传递数据
    shared_ptr diff_; //存储反向传递梯度
    shared_ptr shape_data_;// 参数维度old version
    vector shape_;  //参数维度
    int count_; //Blob存储的元素个数（shape_所有元素乘积）
    int capacity_;//当前Blob的元素个数（控制动态分配）

---

主要函数

主要分析如下几类函数：

1. 构造函数, 以及Reshape函数()

2. 索引、返回N、C、H、W相关函数

3. gpu、cpu同步函数， 以及数据的获取

4. 简单的数据处理如scale_data对数据缩放(底层调用了cblas库的运算)

5. Blob的示例，数据赋值以及和opencv Mat的操作

6. Blob对应的protobuf结构体BlobShape、BlobProto、BlobProtoVector

1. 构造函数, 以及Reshape函数()

构造函数分类两种类型：

1. 默认的什么参数

2. 传入N、C、H、W构造，最终调用Reshape函数

Blob() //构造函数：初始化列表 {空函数体}
            : data_(), diff_(), count_(0), capacity_(0) {}

// @brief Deprecated; use Blob(const vector& shape).
explicit Blob(const int num, const int channels, const int height,
              const int width);   //可以通过设置数据维度（N,C,H,W）初始化
// 也可以通过传入vector直接传入维数
explicit Blob(const vector& shape);

Blob() //构造函数：初始化列表 {空函数体}
            : data_(), diff_(), count_(0), capacity_(0) {}

// @brief Deprecated; use Blob(const vector& shape).
explicit Blob(const int num, const int channels, const int height,
              const int width);   //可以通过设置数据维度（N,C,H,W）初始化
// 也可以通过传入vector直接传入维数
explicit Blob(const vector& shape);

下面重点看下Reshape函数

template 
void Blob::Reshape(const int num, const int channels, const int height,
                          const int width) {
    vector shape(4);
    shape[0] = num;
    shape[1] = channels;
    shape[2] = height;
    shape[3] = width;
    Reshape(shape);
}

// 完成blob形状shape_的记录，大小count_的计算，合适大小capacity_存储的申请
template 
void Blob::Reshape(const vector& shape) {
    CHECK_LE(shape.size(), kMaxBlobAxes);
    count_ = 1;
    shape_.resize(shape.size());

    if (!shape_data_ || shape_data_->size() < shape.size() * sizeof(int)) {
        shape_data_.reset(new SyncedMemory(shape.size() * sizeof(int)));
    }
    int* shape_data = static_cast(shape_data_->mutable_cpu_data());
    for (int i = 0; i < shape.size(); ++i) {
        CHECK_GE(shape[i], 0);
        CHECK_LE(shape[i], INT_MAX / count_) << "blob size exceeds INT_MAX";
        count_ *= shape[i];
        shape_[i] = shape[i];
        shape_data[i] = shape[i];
    }
    if (count_ > capacity_) {
        capacity_ = count_;
        // 只是构造了SyncedMemory对象，并未真正分配内存和显存
        data_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));
        // 真正分配是在第一次访问数据时
        diff_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));   
    }
}

上面注意的是：shape_data_是历史版本的shape, new SyncedMemory(shape.size() * sizeof(int)）并不分配实际的内存。shape_data_->mutable_cpu_data()获取实际的data，如果没有分配内存则分配。

void* SyncedMemory::mutable_cpu_data() {
    to_cpu();
    head_ = HEAD_AT_CPU;
    return cpu_ptr_;
}

mutable_cpu_data，根据head_的枚举状态判断是否已经分配了内存。

注：Reshape函数除了被构造函数调用外，也常常作为一般的函数调用，例如对网络的输入的改变：

net_24.blobs['data'].reshape(10, 3, 24, 24)

2. 索引、返回N、C、H、W相关函数

/// @brief Deprecated legacy shape accessor num: use shape(0) instead.
inline int num() const { return LegacyShape(0); }
/// @brief Deprecated legacy shape accessor channels: use shape(1) instead.
inline int channels() const { return LegacyShape(1); }
/// @brief Deprecated legacy shape accessor height: use shape(2) instead.
inline int height() const { return LegacyShape(2); }
/// @brief Deprecated legacy shape accessor width: use shape(3) instead.
inline int width() const { return LegacyShape(3); }

//计算物理偏移量，(n,c,h,w)的偏移量为((n∗C+c)∗H+h)∗W+w
inline int offset(const int n, const int c = 0, const int h = 0,
                  const int w = 0) const {
    CHECK_GE(n, 0);
    CHECK_LE(n, num());
    CHECK_GE(channels(), 0);
    CHECK_LE(c, channels());
    CHECK_GE(height(), 0);
    CHECK_LE(h, height());
    CHECK_GE(width(), 0);
    CHECK_LE(w, width());
    return ((n * channels() + c) * height() + h) * width() + w;
}

计数 ：

//返回Blob维度数，对于维数(N,C,H,W)，返回N×C×H×W
inline int count() const { return count_; }

//对于维数(N,C,H,W)，count(0, 3)返回N×C×H
inline int count(int start_axis, int end_axis) const {
    CHECK_LE(start_axis, end_axis);
    CHECK_GE(start_axis, 0);
    CHECK_GE(end_axis, 0);
    CHECK_LE(start_axis, num_axes());
    CHECK_LE(end_axis, num_axes());
    int count = 1;
    for (int i = start_axis; i < end_axis; ++i) {
        count *= shape(i);
    }
    return count;
}

3. gpu、cpu同步函数， 以及数据的获取

首先给出一个ReLULayer的前馈函数的示例(里面用到了Blob两个函数cpu_data， mutable_cpu_data一个获取可变的数据，一个不可变。)

template

void ReLULayer::Forward_cpu(const vector*>& bottom,
    const vector*>& top) {
  // bottom_data don’t change
  const Dtype* bottom_data = bottom[0]->cpu_data();
  // top_data will change
  Dtype* top_data = top[0]->mutable_cpu_data();
  const int count = bottom[0]->count();
  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));
  }
}

// 调用SyncedMemory的数据访问函数cpu_data(),并返回内存指针
template 
const Dtype* Blob::cpu_data() const {
    CHECK(data_);
    return (const Dtype*)data_->cpu_data();
}

template 
Dtype* Blob::mutable_cpu_data() {
    CHECK(data_);
    return static_cast(data_->mutable_cpu_data());
}

下面给出一些简单的示例：

  // 假定数据在 CPU 上进行初始化，我们有一个 blob
const Dtype* foo;
Dtype* bar;
foo = blob.gpu_data(); // 数据从 CPU 复制到 GPU
foo = blob.cpu_data(); // 没有数据复制，两者都有最新的内容
bar = blob.mutable_gpu_data(); // 没有数据复制
// ... 一些操作 ...
bar = blob.mutable_gpu_data(); // 仍在 GPU，没有数据复制
foo = blob.cpu_data(); // 由于 GPU 修改了数值，数据从 GPU 复制到 CPU
foo = blob.gpu_data(); //没有数据复制，两者都有最新的内容
bar = blob.mutable_cpu_data(); // 依旧没有数据复制
bar = blob.mutable_gpu_data(); //数据从 CPU 复制到 GPU
bar = blob.mutable_cpu_data(); //数据从 GPU 复制到 CPU

4. 简单的数据处理如scale_data对数据缩放(底层调用了cblas库的运算)

下面简单看下scale_data对data_乘上某个因子(主要是cpu的实现)：

data = mutable_cpu_data();//获取可变的CPU数据
caffe_scal(count_, scale_factor, data);//根据个数count_对data scale

template 
void Blob::scale_data(Dtype scale_factor) {   //对data_乘上某个因子
    Dtype* data;
    if (!data_) { return; }
    switch (data_->head()) {
        case SyncedMemory::HEAD_AT_CPU:
            data = mutable_cpu_data();
            caffe_scal(count_, scale_factor, data);
            return;
        case SyncedMemory::HEAD_AT_GPU:
        case SyncedMemory::SYNCED:

//                caffe_gpu_scal(count_, scale_factor, data);
            return;
#else
            NO_GPU;
#endif
        case SyncedMemory::UNINITIALIZED:
            return;
        default:
            LOG(FATAL) << "Unknown SyncedMemory head state: " << data_->head();
    }
}

caffe_scal底层调用的是cblas的cblas_sscal函数(此处用了模板的特化)：

template <>
void caffe_scal(const int N, const float alpha, float *X) {
    cblas_sscal(N, alpha, X, 1);
}

最后注意下Blob的显示模板实例化：int，unsigned int，float，double:

INSTANTIATE_CLASS(Blob);
template class Blob;
template class Blob;

// Instantiate a class with float and double specifications.
#define INSTANTIATE_CLASS(classname) \
  char gInstantiationGuard##classname; \
  template class classname; \
  template class classname

Blob无法被copy以及赋值:

DISABLE_COPY_AND_ASSIGN(Blob);

// Disable the copy and assignment operator for a class.
#define DISABLE_COPY_AND_ASSIGN(classname) \
private:\
  classname(const classname&);\
  classname& operator=(const classname&)

5. Blob的示例，数据赋值以及和opencv Mat的操作

简单的Blob赋值示例如下：

// create Blob with (N, C, H, W) -> (1, 2, 3, 4)
std::vector vecShape{1, 2, 3, 4};
caffe::Blob b(vecShape);

// fill Blob with sequence
float* pf = b.mutable_cpu_data();
std::iota(pf, pf + 24, 0.0);

// output all the sequence in Blob
for (int i = 0; i < b.count(); ++i) {
    std::cout << *(pf + i)<<" ";
}  //0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
std::cout<

运行结果输出如下：

接下来给出一个示例：

1. 使用opencv Mat创建一个白色的图片，然后将Mat转化为Blob

2. 使用Blob操作在图片中间画一条黑线，最后将Blob转化为opencv的Mat

void test_blob_2(){
    LOG(INFO) << "now create white image h:240, w240 ";
    // create white image and show it
    cv::Mat img(240, 240, CV_8UC3, cv::Scalar(255, 255, 255));
    cv::imshow("src_white_image", img);

    //convert it to float
    img.convertTo(img, CV_32FC3);

    LOG(INFO) <<"now convert Mat to caffe::Blob";
    // create Blob and convert mat to blob
    caffe::Blob blob;
    mat2Blob(img, blob);

    LOG(INFO) <<"now draw line in the mid of  blob";
    drawMidLine(blob);

    LOG(INFO) <<"now convert blob to Mat";
    blob2Mat(blob, img);

    //convert it to CV_8UC3
    img.convertTo(img, CV_8UC3);

    LOG(INFO) <<"now show source image and image with white line";
    // show image
    cv::imshow("image_with_black_line", img);
    cv::waitKey(0);
}

运行结果如下：

转换函数如下：

void mat2Blob(const cv::Mat& mat, caffe::Blob& blob){

    std::vector vecMat;
    blob.Reshape(1, mat.channels(), mat.rows, mat.cols);

    int width = blob.width();
    int height = blob.height();
    float* input_data = blob.mutable_cpu_data();
    for (int i = 0; i < blob.channels(); ++i) {
        cv::Mat channel(height, width, CV_32FC1, input_data);
        vecMat.push_back(channel);
        input_data += width * height;
    }

    cv::split(mat, vecMat);
}

void blob2Mat(const caffe::Blob& blob, cv::Mat& mat){

    for (int c = 0; c < blob.channels(); ++c) {
        for (int h = 0; h < blob.height(); ++h) {
            for (int w = 0; w < blob.width(); ++w) {
                mat.at(h, w)[c] = blob.data_at(0, c, h, w);
            }
        }
    }

}

void drawMidLine(caffe::Blob &blob){
    float* data = blob.mutable_cpu_data();
    // draw black line in the image
    for (int c = 0; c < blob.channels(); ++c) {
        for (int j = 0; j < blob.width(); ++j) {
            *(data + blob.offset(0, c, blob.height() / 2, j)) = 0;
        }
    }
}

Blob不仅仅限于(N, C, H, W)四维的数据，还可以定义一维的(如在全连接层inner_product_layer中的bias_multiplier_就是一维的)，示例如下：

const int N = 8;
vector shape(1, N); // two dimension shape
caffe::Blob blob;
blob.Reshape(shape);
cout<

6. Blob对应的protobuf结构体

shape结构体：

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

Blob结构体BlobProto：

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];
}

注意的是：BlobProto中定义了float，double两种data（data，double_data），这在Blob中的ToProto函数(blob数据序列化保存到proto)，定义了两个模板特化：

//blob数据保存到proto中
void ToProto(BlobProto* proto, bool write_diff = false) const;

其中double特化如下：

template<>
void Blob::ToProto(BlobProto *proto, bool write_diff) const {
    proto->clear_shape();
    for (int i = 0; i < shape_.size(); ++i) {
        proto->mutable_shape()->add_dim(shape_[i]);
    }
    proto->clear_double_data();
    proto->clear_double_diff();
    const double* data_vec = cpu_data();
    for (int i = 0; i < count_; ++i) {
        proto->add_double_data(data_vec[i]);
    }
    if (write_diff) {
        const double* diff_vec = cpu_diff();
        for (int i = 0; i < count_; ++i) {
            proto->add_double_diff(diff_vec[i]);
        }
    }
}

float类型同理：

// 模板特化float
template<>
void Blob::ToProto(BlobProto* proto, bool write_diff = false) const{
   //...
    proto->clear_data();
    proto->clear_diff();
   //......
}

---

caffe系列源码分析介绍

本系列深度学习框架caffe 源码分析主要内容如下：

1. caffe源码分析-cmake 工程构建:

caffe源码分析-cmake 工程构建主要内容:

自己从头构建一遍工程，这样能让我更好的了解大型的项目的构建。当然原始的caffe的构建感觉还是比较复杂(主要是cmake)，我这里仅仅使用cmake构建，而且简化点，当然最重要的是支持CLion直接运行调试（如果需要这个工程可以评论留下你的邮箱，我给你发送过去）。

2. caffe的数据内存分配类SyncedMemory， 以及类Blob数据传输的媒介.

主要内容：
caffe源码分析-SyncedMemory
caffe源码分析-Blob
其中Blob分析给出了其直接与opencv的图片相互转化以及操作，可以使得我们更好的理解Blob.

3. caffe layer的源码分析，包括从整体上说明了layer类别以及其proto定义与核心函数.

内容如下：
caffe源码分析-layer
caffe源码分析-ReLULayer
caffe源码分析-inner_product_layer
caffe源码分析-layer_factory

首先分析了最简单的layer Relu，然后在是inner_product_layer全连接层， 最后是layer_factorycaffe中 以此工厂模式create各种Layer.

4. 数据输入层，主要是多线程+BlockingQueue的方式读取数据训练：

内容如下：
caffe源码分析-BlockingQueue
caffe源码分析-InternalThread
caffe源码分析-DataReader

5. IO处理例如读取proto文件转化为网络，以及网络参数的序列化

内容如下：
caffe源码分析-DataTransformer
caffe源码分析-db, io

6. 最后给出了使用纯C++结合多层感知机网络训练mnist的示例

内容如下：

caffe c++示例（mnist 多层感知机c++训练，测试）

类似与caffe一样按照layer、solver、loss、net等模块构建的神经网络实现可以见下面这篇blog，相信看懂了这个python的代码理解caffe框架会更简单点.

神经网络python实现

---

最后如果需要cmake + CLion直接运行调试caffe的代码工程，可以评论留下你的邮箱，我给你发送过去.