原创 【caffe源碼研究】第三章：源碼篇(5) ：Net
簡介 通過合成和自動微分，網絡同時定義了一個函數和其對應的梯度。通過合成各層的輸出來計算這個函數，來執行給定的任務，並通過合成各層的後向傳播過程來計算來自損失函數的梯度，從而學習任務。Caffe模型是端到端的機器學習引擎。 準確
2020-07-02 09:35:22
原创 【caffe源碼研究】第四章：完整案例源碼篇(5) ：LeNet反向過程
本部分剖析Caffe中Net::Backward()函數，即反向傳播計算過程。從LeNet網絡角度出發，且調試網絡爲訓練網絡，共9層網絡。 入口信息 Net::Backward()函數中調用BackwardFromTo函數，從網絡
2020-07-02 09:35:17
2
原创 【caffe源碼研究】第四章：完整案例源碼篇(2) ：LeNet初始化訓練網絡
一、Solver到Net SGDSolver的構造函數中主要執行了其父類Solver的構造函數，接着執行Solver::Init()函數，在Init()中，有兩個函數值得注意：InitTrainNet()和InitTestNets
2020-07-02 09:35:17
原创 【caffe源碼研究】第四章：完整案例源碼篇(1) ：LeNetSolver初始化
在訓練lenet的train_lenet.sh中內容爲： ./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt 由此可知,訓練網咯模型是由to
2020-07-02 09:35:15
1
原创 【caffe源碼研究】第三章：源碼篇(12) ：激活函數層
以ReLULayer爲例，比較簡單，直接上代碼 前向就是根據激活函數表達式計算，反向就是計算倒數。 #include <algorithm> #include <vector> #include "caffe/layers/r
2020-07-02 09:35:15
原创 【caffe源碼研究】第四章：完整案例源碼篇(4) ：LeNet前向過程
入口信息 通過如下的調用堆棧信息可以定位到函數ForwardFromTo(其他函數中無重要信息) caffe::Net<float>::ForwardFromTo() at net.cpp:574 caffe::Net<float
2020-07-02 09:35:14
4
原创 VS code server使用
VS code server使用 前言 發現了一個可以遠程debug代碼的神奇，VS code的在線版，code server https://github.com/cdr/code-server 遠程服務器上的代碼，通過在遠程服
2020-07-02 09:35:13
5
原创 【caffe源碼研究】第三章：源碼篇(7) ：Layer種類
Caffe自帶的Layer及其參數被定義在caffe.proto中。 一、分類 在Layer的派生類中，主要可以分爲 (1) Vision Layers Vison 層主要用於處理視覺圖像相關的層，以圖像作爲輸入，產生其他的圖像。
2020-02-21 09:21:43
原创 【caffe源碼研究】第三章：源碼篇(4) ：Solver
一個典型的solver文件如下 # The train/test net protocol buffer definition net: "examples/mnist/lenet_train_test.prototxt" # t
2020-02-21 09:21:43
原创 【caffe源碼研究】第三章：源碼篇(13) ：損失層
在訓練階段有損失層，損失層需要兩個輸入的Blob，一個是網絡的預測值，一個是真實的標籤。 基類LossLayer，其他的loss繼承自這個類。 這裏以歐拉損失爲例來說明 原理 歐拉損失 E=12N∑n=1N||yn−y‘n||2
2020-02-21 09:21:43
原创 【caffe源碼研究】第三章：源碼篇(2) ：Blob 和 SyncedMemory
一、Blob 在之前的介紹中提到 Blob是： 對處理數據的一層封裝，用於在Caffe中通信傳遞。 也爲CPU和GPU間提供同步能力 數學上，是一個N維的C風格的存儲數組 總的來說，Caffe使用Blob來交流數據，其是Caff
2020-02-21 09:21:43
原创 【caffe源碼研究】第三章：源碼篇(10) ：ConvolutionLayer
簡介 CNN最經典的幾個層，這裏介紹一下卷積層。 這張圖總結的不太全面，但是基本表現出了卷積層的繼承關係。 BaseConvolutionLayer 其繼承自Layer，是一個卷積以及反捲積操作的基類，首先我們來看BaseCon
2020-02-21 09:21:43
原创 【caffe源碼研究】第三章：源碼篇(11) ：PoolingLayer
Pooling層也是CNN中重要的層。 主要分成max-pool和mean-pool兩種方法 Forward_cpu 前向過程如下 void PoolingLayer<Dtype>::Forward_cpu(const vect
2020-02-21 09:21:43
原创 【caffe源碼研究】第三章：源碼篇(8) ：Layer代碼
簡介 Layer是Caffe模型的本質內容和執行計算的基本單元。Layer可以進行很多運算，如：convolve（卷積）、pool（池化）、inner product（內積），rectified-linear和sigmoid等非線
2020-02-21 09:21:43
原创 【caffe源碼研究】第三章：源碼篇(9) ：DataLayer
先從最基礎的Data層講起。 看看datalayer相關的類的繼承關係 首先定義了一個 template <typename Dtype> class Batch { public: Blob<Dtype> data_,
2020-02-21 09:21:43