原文链接:http://blog.csdn.net/xizero00/article/details/50914471

一、Layer的作用简介

Layer实际上定义了Layer的基本操作，即初始化层、前向传播和反向传播。在前向传播中根据bottom blob得到top blob，反向传播则根据top反传到bottom。而且在前传的时候还可以计算loss，一般来说只有最后一层才会计算loss，虽然每个层都有计算loss的功能。Layer类在没有实现GPU前传和反传的时候会自动使用CPU的实现。下面给出Layer类的具体介绍。 下面给出生成的一幅图，感性地了解一下Layer的层次。

二、Layer类的详细介绍

1）构造函数

构造函数初始化层的参数，并且设置当前层是否可以共享（如果是数据层则可以共享数据给多个网络） 这里的blobs_的定义是 vector<shared_ptr<Blob<Dtype> > > blobs_;也就是说它是是blob指针类型的容器。 [cpp] view plain copy explicit Layer(const LayerParameter& param)      : layer_param_(param), is_shared_(false) {        // Set phase and copy blobs (if there are any).        // 训练还是测试？phase        phase_ = param.phase();        if (layer_param_.blobs_size() > 0) {          // 将blobs_的大小设置为参数中的大小          blobs_.resize(layer_param_.blobs_size());          for (int i = 0; i < layer_param_.blobs_size(); ++i) {            // 新建若干个Blob            blobs_[i].reset(new Blob<Dtype>());            // 从blob文件中获取数据            blobs_[i]->FromProto(layer_param_.blobs(i));          }        }      }  

2）成员变量

保护性的成员变量: [cpp] view plain copy /** The protobuf that stores the layer parameters */  // 层的参数  LayerParameter layer_param_;  /** The phase: TRAIN or TEST */  // 训练还是测试  Phase phase_;  /** The vector that stores the learnable parameters as a set of blobs. */  // blobs_的是blob指针容器  vector<shared_ptr<Blob<Dtype> > > blobs_;  /** Vector indicating whether to compute the diff of each param blob. */  // 是否需要计算梯度，也即是否需要往下传播  vector<bool> param_propagate_down_;    /** The vector that indicates whether each top blob has a non-zero weight in  *  the objective function. */  // 每个top blob在目标函数中有非零的权重  vector<Dtype> loss_;   私有的成员变量: [cpp] view plain copy /** Whether this layer is actually shared by other nets*/  // 判断该层是否被其他层所共享  // 这个内部变量实际是判断该层是不是数据层、数据层才可以被其他的网络共享  bool is_shared_;    /** The mutex for sequential forward if this layer is shared */  // 前向传播的时候所使用的互斥量的指针  shared_ptr<boost::mutex> forward_mutex_;  

3）成员函数

3-1非内联函数： [cpp] view plain copy /** Initialize forward_mutex_ */  void InitMutex();  /** Lock forward_mutex_ if this layer is shared */  // 如果该层是共享的，则需要锁住互斥量  void Lock();  /** Unlock forward_mutex_ if this layer is shared */  // 如果该层是共享的，则需要解锁互斥量  void Unlock();   3-2内联函数： [cpp] view plain copy // 判断该层是否开启共享模式（即是否数据并行化了）  inline bool IsShared() const { return is_shared_; }   // 设置是否共享  inline void SetShared(bool is_shared) {    CHECK(ShareInParallel() || !is_shared)        << type() << "Layer does not support sharing.";    is_shared_ = is_shared;  }    // 前向传播函数  // 输入bottom，计算出top  inline Dtype Forward(const vector<Blob<Dtype>*>& bottom,      const vector<Blob<Dtype>*>& top);     // 反向传播函数   // 输入top和propagate_down   // 输出bottom  inline void Backward(const vector<Blob<Dtype>*>& top,      const vector<bool>& propagate_down,      const vector<Blob<Dtype>*>& bottom);     // 返回标量的损失（该损失与top blob相关联，给定索引就可获得该损失）  inline Dtype loss(const int top_index) const {    return (loss_.size() > top_index) ? loss_[top_index] : Dtype(0);  }     // 给定索引，设置top blob相关联的损失  inline void set_loss(const int top_index, const Dtype value) {    if (loss_.size() <= top_index) {      loss_.resize(top_index + 1, Dtype(0));    }    loss_[top_index] = value;  }     // 给定param_id返回是否应该计算梯度  inline bool param_propagate_down(const int param_id) {    return (param_propagate_down_.size() > param_id) ?        param_propagate_down_[param_id] : false;  }     // 给定param_id设置是否应该计算梯度  inline void set_param_propagate_down(const int param_id, const bool value) {    if (param_propagate_down_.size() <= param_id) {      param_propagate_down_.resize(param_id + 1, true);    }    param_propagate_down_[param_id] = value;  }     // 设置损失权重??暂时还不懂  inline void SetLossWeights(const vector<Blob<Dtype>*>& top) {    const int num_loss_weights = layer_param_.loss_weight_size();    if (num_loss_weights) {      CHECK_EQ(top.size(), num_loss_weights) << "loss_weight must be "          "unspecified or specified once per top blob.";      for (int top_id = 0; top_id < top.size(); ++top_id) {         // the amount of weight to assign each top blob in the objective.         // Each layer assigns a default value, usually of either 0 or 1,      // to each top blob. loss_weight要么为0，要么为1        const Dtype loss_weight = layer_param_.loss_weight(top_id);        if (loss_weight == Dtype(0)) { continue; }// 为0则调过        // loss_weigth为1则        this->set_loss(top_id, loss_weight);        const int count = top[top_id]->count();        Dtype* loss_multiplier = top[top_id]->mutable_cpu_diff();        caffe_set(count, loss_weight, loss_multiplier);      }    }  }   3-3类内的函数： [cpp] view plain copy // SetUp设置层的互斥量、检查BLOB的参数、调用LayerSetUp进行初始化  // LayerSetUp是一个虚函数，用户可以去重载它。  // 然后再设置topblob的形状以及设置损失权重。  void SetUp(const vector<Blob<Dtype>*>& bottom,        const vector<Blob<Dtype>*>& top) {      // 初始化互斥量      InitMutex();      // 检查Blob      CheckBlobCounts(bottom, top);      // 层的初始化（虚函数，需用户去实现如何初始化层）      LayerSetUp(bottom, top);      // 改变top的形状（虚函数，需用户去实现如何根据bottomblob改变topblob的形状）      Reshape(bottom, top);      // 设置损失权重      SetLossWeights(top);    }       // 返回blob指针的容器    vector<shared_ptr<Blob<Dtype> > >& blobs() {      return blobs_;    }       // 返回层的参数    const LayerParameter& layer_param() const { return layer_param_; }   3-4虚函数（纯虚函数是必须要实现的！！）：     [cpp] view plain copy // 虚函数，必须自己去实现    virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,        const vector<Blob<Dtype>*>& top) {}       // 在数据并行化的时候，层是否可以在多个网络之间共享     // 默认是只有数据层才能在多个网络之间共享，其他层则不行     // 数据层应该在数据并行化的时候确保每个solver能够顺序地访问数据    virtual inline bool ShareInParallel() const { return false; }      // 纯虚函数（Reshape必须要实现）    virtual void Reshape(const vector<Blob<Dtype>*>& bottom,        const vector<Blob<Dtype>*>& top) = 0;      // 把层参数写入到proto文件    virtual void ToProto(LayerParameter* param, bool write_diff = false);       // 虚函数，而且还是内联的，返回层类型    virtual inline const char* type() const { return ""; }       // 虚函数，获得bottom blob的精确个数    virtual inline int ExactNumBottomBlobs() const { return -1; }       // 虚函数，获得bottom blob的最小个数    virtual inline int MinBottomBlobs() const { return -1; }       // 虚函数，获得bottom blob的最大个数    virtual inline int MaxBottomBlobs() const { return -1; }       // 虚函数，获得top blob的精确个数    virtual inline int ExactNumTopBlobs() const { return -1; }       // 虚函数，获得top blob的最小个数    virtual inline int MinTopBlobs() const { return -1; }       // 虚函数，获得top blob的最大个数    virtual inline int MaxTopBlobs() const { return -1; }       // 虚函数，bottom blob和top blob的个数是否一致    virtual inline bool EqualNumBottomTopBlobs() const { return false; }       // 返回当前层是否自动创建匿名top blobs     // 如果返回true，表明网络初始化的时候创建了了足够多的匿名top blobs     // 来满足ExactNumTopBlobs或者MinTopBlobs所要求的top blobs的个数    virtual inline bool AutoTopBlobs() const { return false; }       // 对于一个给定的bottom blob，返回是否允许强制反传    virtual inline bool AllowForceBackward(const int bottom_index) const {      return true;    }      // 纯虚函数，必须要实现前向的CPU计算，需要用户去实现全向传播CPU，也就是说必须要实现CPU的前向传播    virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,        const vector<Blob<Dtype>*>& top) = 0;      // 虚函数，需要用户去实现全向传播GPU，如果实现GPU则运行GPU的代码    // 如果没有实现则调用默认的CPU的代码    virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,        const vector<Blob<Dtype>*>& top) {      // LOG(WARNING) << "Using CPU code as backup.";      return Forward_cpu(bottom, top);    }       // 纯虚函数，反传CPU ，必须要实现！！    virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,        const vector<bool>& propagate_down,        const vector<Blob<Dtype>*>& bottom) = 0;       // 虚函数，反传GPU，如果没有则用CPU的反传    virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,        const vector<bool>& propagate_down,        const vector<Blob<Dtype>*>& bottom) {      // LOG(WARNING) << "Using CPU code as backup.";      Backward_cpu(top, propagate_down, bottom);    }       // 该函数在SetUp中被调用     // 检查Blob的一些参数是否正确     // 比如:     // 精确的底层blob数目     // 最小的底层blob数目     // 最大的底层blob数目     // 精确的顶层blob数目     // 最小的顶层blob数目     // 最大的顶层blob数目     // 此外还检查顶层和底层是否一致    virtual void CheckBlobCounts(const vector<Blob<Dtype>*>& bottom,                                 const vector<Blob<Dtype>*>& top) {      if (ExactNumBottomBlobs() >= 0) {        CHECK_EQ(ExactNumBottomBlobs(), bottom.size())            << type() << " Layer takes " << ExactNumBottomBlobs()            << " bottom blob(s) as input.";      }      if (MinBottomBlobs() >= 0) {        CHECK_LE(MinBottomBlobs(), bottom.size())            << type() << " Layer takes at least " << MinBottomBlobs()            << " bottom blob(s) as input.";      }      if (MaxBottomBlobs() >= 0) {        CHECK_GE(MaxBottomBlobs(), bottom.size())            << type() << " Layer takes at most " << MaxBottomBlobs()            << " bottom blob(s) as input.";      }      if (ExactNumTopBlobs() >= 0) {        CHECK_EQ(ExactNumTopBlobs(), top.size())            << type() << " Layer produces " << ExactNumTopBlobs()            << " top blob(s) as output.";      }      if (MinTopBlobs() >= 0) {        CHECK_LE(MinTopBlobs(), top.size())            << type() << " Layer produces at least " << MinTopBlobs()            << " top blob(s) as output.";      }      if (MaxTopBlobs() >= 0) {        CHECK_GE(MaxTopBlobs(), top.size())            << type() << " Layer produces at most " << MaxTopBlobs()            << " top blob(s) as output.";      }      if (EqualNumBottomTopBlobs()) {        CHECK_EQ(bottom.size(), top.size())            << type() << " Layer produces one top blob as output for each "            << "bottom blob input.";      }    }   其中的一些函数的具体实现如下： 主要就是前传和反传，前传调用对应的Forward_cpu或者Forward_gpu 而我们知道Forward_cpu是纯虚函数，必须要实现而Forward_gpu是虚函数，如果不实现就调用 Forward_cpu函数了。 前传（你必须实现自己的Forward_cpu，实现Forward_gpu是可选的） [cpp] view plain copy template <typename Dtype>  inline Dtype Layer<Dtype>::Forward(const vector<Blob<Dtype>*>& bottom,      const vector<Blob<Dtype>*>& top) {    // Lock during forward to ensure sequential forward    // 前传的时候需要上锁，按照顺序执行才行，否则就乱了    Lock();    Dtype loss = 0;    // 根据bottom设置top的形状    Reshape(bottom, top);    // 设置运行模式CPU or GPU    switch (Caffe::mode()) {    case Caffe::CPU:      // 调用CPU的前传      Forward_cpu(bottom, top);      // 前传计算完之后计算损失（只有最后一层才进行计算，其余层都不用）      for (int top_id = 0; top_id < top.size(); ++top_id) {        if (!this->loss(top_id)) { continue; }        const int count = top[top_id]->count();        // 获取前传的数据        const Dtype* data = top[top_id]->cpu_data();        // 获取梯度（\frac{\partial Loss}{\partial net}）        const Dtype* loss_weights = top[top_id]->cpu_diff();        // data与loss_weight的点积，即得损失函数关于当前层权重的偏导了      // \frac{\partial Loss}{\partial net} * \frac{\partial net}{\frac{W}}      // = \frac{\partial Loss}{\partial W}        loss += caffe_cpu_dot(count, data, loss_weights);      }      break;    case Caffe::GPU:      // GPU前传      Forward_gpu(bottom, top);  #ifndef CPU_ONLY      // 同上，只不过这里用GPU来计算点积了      for (int top_id = 0; top_id < top.size(); ++top_id) {        if (!this->loss(top_id)) { continue; }        const int count = top[top_id]->count();        // 获取GPU上的数据        const Dtype* data = top[top_id]->gpu_data();        const Dtype* loss_weights = top[top_id]->gpu_diff();        Dtype blob_loss = 0;        caffe_gpu_dot(count, data, loss_weights, &blob_loss);        loss += blob_loss;      }  #endif      break;    default:      LOG(FATAL) << "Unknown caffe mode.";    }    Unlock();    return loss;  }   反传的道理与前传的道理很类似 [cpp] view plain copy // 反传 ，必须实现CPU，但是GPU是可选的  template <typename Dtype>  inline void Layer<Dtype>::Backward(const vector<Blob<Dtype>*>& top,      const vector<bool>& propagate_down,      const vector<Blob<Dtype>*>& bottom) {    switch (Caffe::mode()) {    case Caffe::CPU:// CPU反传      Backward_cpu(top, propagate_down, bottom);      break;    case Caffe::GPU:// GPU反传      Backward_gpu(top, propagate_down, bottom);      break;    default:      LOG(FATAL) << "Unknown caffe mode.";    }  }    // 将LayerParameter转换为ProtoBuf  template <typename Dtype>  void Layer<Dtype>::ToProto(LayerParameter* param, bool write_diff) {    param->Clear();    param->CopyFrom(layer_param_);    param->clear_blobs();    for (int i = 0; i < blobs_.size(); ++i) {      blobs_[i]->ToProto(param->add_blobs(), write_diff);    }  }      其他部分的实现：  // 初始化互斥量  template <typename Dtype>  void Layer<Dtype>::InitMutex() {    forward_mutex_.reset(new boost::mutex());  }    // Lock  template <typename Dtype>  void Layer<Dtype>::Lock() {    if (IsShared()) {      forward_mutex_->lock();    }  }    // UnLock  template <typename Dtype>  void Layer<Dtype>::Unlock() {    if (IsShared()) {      forward_mutex_->unlock();    }  }  

三、与Layer类相关类的介绍

（1）用到了device_alternate.hpp

这其中只是定义了一些检查CUDA是否运行成功的函数、还有就是定义了几个宏 下面对其进行介绍： [cpp] view plain copy // 定义给定类的前向和反向（GPU和CPU）传播的函数定义  #define STUB_GPU(classname) \  template <typename Dtype> \  void classname<Dtype>::Forward_gpu(const vector<Blob<Dtype>*>& bottom, \      const vector<Blob<Dtype>*>& top) { NO_GPU; } \  template <typename Dtype> \  void classname<Dtype>::Backward_gpu(const vector<Blob<Dtype>*>& top, \      const vector<bool>& propagate_down, \      const vector<Blob<Dtype>*>& bottom) { NO_GPU; } \    #define STUB_GPU_FORWARD(classname, funcname) \  template <typename Dtype> \  void classname<Dtype>::funcname##_##gpu(const vector<Blob<Dtype>*>& bottom, \      const vector<Blob<Dtype>*>& top) { NO_GPU; } \    #define STUB_GPU_BACKWARD(classname, funcname) \  template <typename Dtype> \  void classname<Dtype>::funcname##_##gpu(const vector<Blob<Dtype>*>& top, \      const vector<bool>& propagate_down, \      const vector<Blob<Dtype>*>& bottom) { NO_GPU; } \   CUDA检查的宏： [cpp] view plain copy // CUDA: various checks for different function calls.  #define CUDA_CHECK(condition) \    /* Code block avoids redefinition of cudaError_t error */ \    do { \      cudaError_t error = condition; \      CHECK_EQ(error, cudaSuccess) << " " << cudaGetErrorString(error); \    } while (0)    #define CUBLAS_CHECK(condition) \    do { \      cublasStatus_t status = condition; \      CHECK_EQ(status, CUBLAS_STATUS_SUCCESS) << " " \        << caffe::cublasGetErrorString(status); \    } while (0)    #define CURAND_CHECK(condition) \    do { \      curandStatus_t status = condition; \      CHECK_EQ(status, CURAND_STATUS_SUCCESS) << " " \        << caffe::curandGetErrorString(status); \    } while (0)    // CUDA: grid stride looping  #define CUDA_KERNEL_LOOP(i, n) \    for (int i = blockIdx.x * blockDim.x + threadIdx.x; \         i < (n); \         i += blockDim.x * gridDim.x)  

四、总结

Layer的设计主要就是SetUp、Forward、Backward函数（层一开始的时候的设置、然后就是前传和反传） 这其中的SetUp的实现又依赖于CheckBlobCounts、LayerSetUp、Reshape等的实现。这其中Reshape又是必须要实现的，因为它是纯虚函数 这其中的Forward中又依赖于Forward_cpu、Forward_gpu，这其中Forward_cpu又是必须要实现的。 这其中的Backward中又依赖于Backward_cpu、Backward_gpu，这其中Backward_cpu 又是必须要实现的。

参考：

你可能需要了解一下多层感知机的前向传播和反向传播。 具体可以参考UFLDL的相关知识。