caffe源码分析:softmax_layer.cpp && softmax_loss_layer.cpp
本文仅分析了softmax_layer.cpp 和 softmax_loss_layer.cpp两个文件中的forward函数，backward函数有待补充。
1、softmax_layer.cpp
softmax function
设有m个已标记样本， σ(z)=(σ1(z),σ2(z),...,σm(z)) 定义：
σi(z)=exp(zi)∑mj=1exp(zj),i=1,...,m
其中， σi(z) 是loss层的输入； zi=WTix+bi ,表示第i类的线性预测结果， WTi 为权重， bi 为偏置值。
带入softmax进行计算其实就是先对每一个 zi 取exponential变为非负，然后除以所有项之和进行归一化。
在softmax_layer.cpp中，可以将forward函数比较直观的表现为以下形式：
hθ(x(i))=⎡⎣⎢⎢⎢⎢⎢p(y(i)=1|x(i);θ)p(y(i)=2|x(i);θ)⋮p(y(i)=k|x(i);θ)⎤⎦⎥⎥⎥⎥⎥=1∑kl=1eθTjx(i)⎡⎣⎢⎢⎢⎢⎢⎢eθT1x(i)eθT2x(i)⋮eθTkx(i)⎤⎦⎥⎥⎥⎥⎥⎥
在
softmax.cpp中
forward函数代码：
template <typename Dtype>
void SoftmaxLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
const Dtype* bottom_data = bottom[0]->cpu_data();
Dtype* top_data = top[0]->mutable_cpu_data();
Dtype* scale_data = scale_.mutable_cpu_data();
int channels = bottom[0]->shape(softmax_axis_);
int dim = bottom[0]->count() / outer_num_;
caffe_copy(bottom[0]->count(), bottom_data, top_data);
// We need to subtract the max to avoid numerical issues, compute the exp,
// and then normalize.
for (int i = 0; i < outer_num_; ++i) {
// initialize scale_data to the first plane
caffe_copy(inner_num_, bottom_data + i * dim, scale_data);
for (int j = 0; j < channels; j++) {
for (int k = 0; k < inner_num_; k++) {
scale_data[k] = std::max(scale_data[k],
bottom_data[i * dim + j * inner_num_ + k]);
}
}
// subtraction
caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, channels, inner_num_,
1, -1., sum_multiplier_.cpu_data(), scale_data, 1., top_data);
// exponentiation
caffe_exp<Dtype>(dim, top_data, top_data);
// sum after exp
caffe_cpu_gemv<Dtype>(CblasTrans, channels, inner_num_, 1.,
top_data, sum_multiplier_.cpu_data(), 0., scale_data);
// division
for (int j = 0; j < channels; j++) {
caffe_div(inner_num_, top_data, scale_data, top_data);
top_data += inner_num_;
}
}
}代码不多，针对Line 21至Line 32分析如下：
1、//division
top_data=top_data/scale_data;
top_data=top_data+inner_num_;
2、//sum after exp
scale_data=top_data*sum_multiplier_.cpu_data()
分析：求和，每一层各自求和放到scale_data中
3、//exponentiation
top_data=exp(top_data)
分析：比较直观，能看出是在exponentiation。函数caffe_exp()的第一个参数是dim，那么应该是对K维列向量做exp
4、//subtraction
通过矩阵相乘的方式来计算，有channels层的top_data，每层元素减去该层的最大值
2、softmax_loss_layer.cpp
softmax loss function
根据上面讲到的softmax函数，假设x属于第i类，我们要最大似然化 σi(z) ，通常使用negtive log-likelihood ,也就是要最小化 −log(oy) 的值。
loss function:
J(θ)=−1m⎡⎣∑i=1m∑j=1k1{y(i)=j}logeθTjx(i)∑kl=1eθTjx(i)⎤⎦
其中， 1{y(i)=j} 为示性函数。
在
softmax_loss_layer.cpp中forward函数代码：
template <typename Dtype>
void SoftmaxWithLossLayer<Dtype>::Forward_cpu(
const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
// The forward pass computes the softmax prob values.
softmax_layer_->Forward(softmax_bottom_vec_, softmax_top_vec_);
const Dtype* prob_data = prob_.cpu_data();//定义了一个指针指向最初的可能值
const Dtype* label = bottom[1]->cpu_data();//原始的label
int dim = prob_.count() / outer_num_;//输入图像类的个数
int count = 0;
Dtype loss = 0;
for (int i = 0; i < outer_num_; ++i) {//outer_num_=batch_size
for (int j = 0; j < inner_num_; j++) {//inner_num_的存在可解决多标签问题，对于单一标签问题inner_num_=1
const int label_value = static_cast<int>(label[i * inner_num_ + j]);//对于多标签问题还不是很理解，在单一标签问题中inner_num_=1,那么label[i * inner_num_ + j]表示第i * inner_num_ + j个输入图像的标签值，label[i * inner_num_ + j]一定属于[0,输入图像类别数-1]
if (has_ignore_label_ && label_value == ignore_label_) {
continue;
}
DCHECK_GE(label_value, 0);
DCHECK_LT(label_value, prob_.shape(softmax_axis_));
loss -= log(std::max(prob_data[i * dim + label_value * inner_num_ + j],Dtype(FLT_MIN)));//对于单标签问题，每张图像经过计算后都会输出一个dim×1大小的矩阵（列向量），矩阵中的第k个值表示该图像属于第k类的概率；prob_data[i * dim + label_value * inner_num_ + j]表示第i个输入图像属于第label_value的概率。
++count;
}
}
if (normalize_) {
top[0]->mutable_cpu_data()[0] = loss / count;
} else {
top[0]->mutable_cpu_data()[0] = loss / outer_num_;
}
if (top.size() == 2) {
top[1]->ShareData(prob_);
}
}