【darknet源碼解析-14】avgpool_layer.h 和 avgpool_layer.c 解析

 本系列爲darknet源碼解析，本次解析src/avgpool_layer.h 與 src/avgpool_layer.c 兩個。avgpool_pool主要完成了平均池化操作。

avgpool_layer.h 的解析如下：

#ifndef AVGPOOL_LAYER_H
#define AVGPOOL_LAYER_H

#include "image.h"
#include "cuda.h"
#include "layer.h"
#include "network.h"

typedef layer avgpool_layer;

image get_avgpool_image(avgpool_layer l);
// 構建平均池化層
avgpool_layer make_avgpool_layer(int batch, int w, int h, int c);
void resize_avgpool_layer(avgpool_layer *l, int w, int h);

// 平均池化層的前向傳播函數
void forward_avgpool_layer(const avgpool_layer l, network net);

// 平均池化層的反向傳播函數
void backward_avgpool_layer(const avgpool_layer l, network net);

#ifdef GPU
void forward_avgpool_layer_gpu(avgpool_layer l, network net);
void backward_avgpool_layer_gpu(avgpool_layer l, network net);
#endif

#endif

avgpool_layer.c 的解析如下：

#include "avgpool_layer.h"
#include "cuda.h"
#include <stdio.h>

/**
 * 構建平均池化層
 * @param batch 一個batch包含圖片的張數
 * @param w 輸入圖片的寬度
 * @param h 輸入圖片的高度
 * @param c 輸入圖片的通道數
 * @return
 */
avgpool_layer make_avgpool_layer(int batch, int w, int h, int c)
{
    fprintf(stderr, "avg                     %4d x%4d x%4d   ->  %4d\n",  w, h, c, c);
    avgpool_layer l = {0};
    l.type = AVGPOOL; // 層類別
    l.batch = batch; // 一個batch中圖片的張數
    l.h = h; // 輸入圖片的高度
    l.w = w; // 輸入圖片的寬度
    l.c = c; // 輸入圖片的通道數
    l.out_w = 1; // 平均池化後寬度爲1, 這裏實際上已經計算輸入圖像的一塊，在進入平均池化層已經做了劃分，所有這裏的輸出寬度爲1
    l.out_h = 1; // 平均池化後高度爲1
    l.out_c = c; // 輸出圖片的通道數
    l.outputs = l.out_c; // 平均池化層對應一張輸入圖片的輸出元素個數
    l.inputs = h*w*c; // 平均池化層一張輸入圖片中所有元素個數
    int output_size = l.outputs * batch;
    // calloc()函數有兩個參數,分別爲元素的數目和每個元素的大小,
    // calloc()會將所分配的空間上的每一位都初始化爲0
    l.output =  calloc(output_size, sizeof(float)); // 平均池化層的所有輸出（包含整個batch）
    l.delta =   calloc(output_size, sizeof(float)); // 平均池化層的誤差項（包含整個batch）

    // 平均池化層的前向,反向傳播函數
    l.forward = forward_avgpool_layer;
    l.backward = backward_avgpool_layer;
    #ifdef GPU
    l.forward_gpu = forward_avgpool_layer_gpu;
    l.backward_gpu = backward_avgpool_layer_gpu;
    l.output_gpu  = cuda_make_array(l.output, output_size);
    l.delta_gpu   = cuda_make_array(l.delta, output_size);
    #endif
    return l;
}

void resize_avgpool_layer(avgpool_layer *l, int w, int h)
{
    l->w = w;
    l->h = h;
    l->inputs = h*w*l->c;
}

/**
 * 平均池化層前向出傳播
 * @param l 當前平均池化層
 * @param net 整個網絡
 */
void forward_avgpool_layer(const avgpool_layer l, network net)
{
    int b,i,k;

    for(b = 0; b < l.batch; ++b){ // 統計每個batch中每張圖片
        for(k = 0; k < l.c; ++k){
            int out_index = k + b*l.c;
            l.output[out_index] = 0;
            for(i = 0; i < l.h*l.w; ++i){ // 統計每一張圖片
                int in_index = i + l.h*l.w*(k + b*l.c);
                l.output[out_index] += net.input[in_index]; // 計算每一張圖片的總和
            }
            l.output[out_index] /= l.h*l.w; //平均池化運算
        }
    }
}

/**
 * 平均池化層的反向傳播
 * @param l 當前平均池化層
 * @param net 整個網絡
 */
void backward_avgpool_layer(const avgpool_layer l, network net)
{
    int b,i,k;

    for(b = 0; b < l.batch; ++b){
        for(k = 0; k < l.c; ++k){
            int out_index = k + b*l.c;
            for(i = 0; i < l.h*l.w; ++i){
                int in_index = i + l.h*l.w*(k + b*l.c);
                // 下一層的誤差項的值會平均分配到上一層對應區塊中的所有神經元
                net.delta[in_index] += l.delta[out_index] / (l.h*l.w);
            }
        }
    }
}

完，