Caffe 源码（九）：euclidean_loss_layer 分析

目录

目录

简单介绍

主要函数
Reshape 函数

Forward_cpu 函数

Backward_cpu 函数

简单介绍

Euclidean loss layer 计算两个输入的差的平方和：12N∑Ni=1||x1i−x2i||22\frac{1}{2N}\sum_{i = 1}^N||x_{1i}-x_{2i}||_2^2

主要函数

1.Reshape 函数：

template <typename Dtype>
void EuclideanLossLayer<Dtype>::Reshape(
const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
LossLayer<Dtype>::Reshape(bottom, top);//在LossLayer 中定义
CHECK_EQ(bottom[0]->count(1), bottom[1]->count(1))//保证输入维度相同
<< "Inputs must have the same dimension.";
diff_.ReshapeLike(*bottom[0]);//Blob 类型的diff_用来存放两个bottom的差，和bottom具有相同的shape
}

EuclideanLossLayer 是LossLayer的子类，因此我们必须明确用到的LossLayer 中的成员函数Reshape：

template <typename Dtype>
void LossLayer<Dtype>::Reshape(
const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
CHECK_EQ(bottom[0]->num(), bottom[1]->num())
<< "The data and label should have the same number.";
vector<int> loss_shape(0);  // Loss layers output a scalar; 0 axes.
top[0]->Reshape(loss_shape);
}//输出top是一个标量。

2.Forward_cpu 函数：

template <typename Dtype>
void EuclideanLossLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
int count = bottom[0]->count();
caffe_sub(
count,
bottom[0]->cpu_data(),
bottom[1]->cpu_data(),
diff_.mutable_cpu_data());//diff_ = bottom[0] - bottom[1]
Dtype dot = caffe_cpu_dot(count, diff_.cpu_data(), diff_.cpu_data());  // dot = ||diff_||^2
Dtype loss = dot / bottom[0]->num() / Dtype(2);//输出的loss
top[0]->mutable_cpu_data()[0] = loss;
}

3.Backward_cpu 函数：

template <typename Dtype>
void EuclideanLossLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom) {
for (int i = 0; i < 2; ++i) {
if (propagate_down[i]) {//对于输入的label bottom propagate_dowm 为0
const Dtype sign = (i == 0) ? 1 : -1;//由于diff_ = bottom[0] - bottom[1]
const Dtype alpha = sign * top[0]->cpu_diff()[0] / bottom[i]->num();
caffe_cpu_axpby(
bottom[i]->count(),              // count
alpha,                              // alpha
diff_.cpu_data(),                   // a
Dtype(0),                           // beta
bottom[i]->mutable_cpu_diff());  // b
}//bottom[i]->mutable_cpu_diff()) = alpha*diff_.cpu_data()
}
}