修改caffe源代码从添加loss(层)函数开始
2017-05-27 19:03
447 查看
DeepLearning（基于caffe）实战项目（8）--修改caffe源代码从添加loss(层)函数开始
标签：Caffe实战项目LossLayer修改源代码
2017-05-27 19:03
479人阅读 评论(0)
收藏
举报
分类：
Caffe实战项目（初级）（9）
作者同类文章X
版权声明：本文为博主原创文章，未经博主允许不得转载。
目录(?)[+]
第一步在caffeproto增加对应的LayerParameter message
第二步在includecaffelayers下增加相应的layer的声明
第三步在srccaffeutilmath_functionscpp下增加绝对值求和模板函数
第四步在srccaffelayers下增加相应layer的CPUGPU实现文件
第五步用vs打开caffe进行编译编译成功后恭喜你功力又上升一个段位哈哈
在caffe中摸爬滚打了一个多月了，修改caffe源代码，早就想练练手了，loss层是一个比较独立的一个层，而且可以仿照caffe给的样例进行添加，难度会稍微小点。caffe自带了十种loss层(contrastive、euclidean、hinge、multinomial_logistic、sigmoid_cross_entropy、smooth_L1、smooth_L1_ohem、softmax、softmax_ohem、infogain)
详细见：http://blog.csdn.net/sihailongwang/article/details/72657637
公式含义推荐：http://blog.csdn.net/u012177034/article/details/52144325
接下来，就是自己添加一个新的loss(层)函数了，我打算添加：Absolute loss
第一步：在caffe.proto增加对应的LayerParameter message
[plain]view plain
copy
print?
optional AbsoluteLossParameter Absolute_loss_param = 151;
optional AbsoluteLossParameter Absolute_loss_param = 151;
[plain]
view plain
copy
print?
message AbsoluteLossParameter { optional float dis = 1 [default = 1]; }
message AbsoluteLossParameter
{
optional float dis = 1 [default = 1];
}第二步：在./include/caffe/layers/下增加相应的layer的声明
[plain]view plain
copy
print?
#ifndef CAFFE_ABSOLUTE_LOSS_LAYER_HPP_ #define CAFFE_ABSOLUTE_LOSS_LAYER_HPP_ #include <vector> #include "caffe/blob.hpp" #include "caffe/layer.hpp" #include "caffe/proto/caffe.pb.h" #include "caffe/layers/loss_layer.hpp" namespace caffe { template <typename Dtype> class AbsoluteLossLayer : public LossLayer<Dtype> { public: explicit AbsoluteLossLayer(const LayerParameter& param) : LossLayer<Dtype>(param), dis_() {} virtual void Reshape(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top); virtual inline const char* type() const { return "AbsoluteLoss"; } virtual inline bool AllowForceBackward(const int bottom_index) const { return true; } protected: /// @copydoc AbsoluteLossLayer virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top); virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top); virtual void Backward_cpu(const vector<Blob<Dtype>*>& top, const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom); virtual void Backward_gpu(const vector<Blob<Dtype>*>& top, const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom); Blob<Dtype> dis_; }; } // namespace caffe #endif // CAFFE_EUCLIDEAN_LOSS_LAYER_HPP_ #endif // CAFFE_EUCLIDEAN_LOSS_LAYER_HPP_
#ifndef CAFFE_ABSOLUTE_LOSS_LAYER_HPP_
#define CAFFE_ABSOLUTE_LOSS_LAYER_HPP_
#include <vector>
#include "caffe/blob.hpp"
#include "caffe/layer.hpp"
#include "caffe/proto/caffe.pb.h"
#include "caffe/layers/loss_layer.hpp"
namespace caffe {
template <typename Dtype>
class AbsoluteLossLayer : public LossLayer<Dtype> {
public:
explicit AbsoluteLossLayer(const LayerParameter& param)
: LossLayer<Dtype>(param), dis_() {}
virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);
virtual inline const char* type() const { return "AbsoluteLoss"; }
virtual inline bool AllowForceBackward(const int bottom_index) const {
return true;
}
protected:
/// @copydoc AbsoluteLossLayer
virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);
virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);
virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
Blob<Dtype> dis_;
};
} // namespace caffe
#endif // CAFFE_EUCLIDEAN_LOSS_LAYER_HPP_
#endif // CAFFE_EUCLIDEAN_LOSS_LAYER_HPP_第三步：在./src/caffe/util/math_functions.cpp/下增加“绝对值求和”模板函数
说明：因为AbsoluteLoss需要绝对值求和，所以在math_fuction.cpp中需要增加一个“绝对值”模板函数（与此同时，我惊喜的发现了BLAS、CBLAS）/********************************************************************************************************************
TIPS：科普一下什么是BLAS/CBLAS
Basic Linear Algebra Subprograms，即基础线性代数子程序库，里边拥有大量的已经编好的关于线性代数运算的程序，主要用于向量和矩阵的计算的高性能数学库，本身是由Fortran编写的，为了方便C/C++程序使用，就有了BLAS的C接口库CBLAS，详细列表：http://www.netlib.org/blas/
/********************************************************************************************************************
[plain]
view plain
copy
print?
//--------------------------add------------------------------------------ template <> float caffe_cpu_asum<float>(const int n, const float* x) { return cblas_sasum(n, x, 1); //sum of absolute values } template <> double caffe_cpu_asum<double>(const int n, const double* x) { return cblas_dasum(n, x, 1); //sum of absolute values } template <typename Dtype> Dtype caffe_cpu_abs_sum(const int n, const Dtype* x) { return caffe_cpu_asum(n, x); } template float caffe_cpu_asum<float>(const int n, const float* x); template double caffe_cpu_asum<double>(const int n, const double* x); //-------------------------add-------------------------------------------
//--------------------------add------------------------------------------
template <>
float caffe_cpu_asum<float>(const int n, const float* x) {
return cblas_sasum(n, x, 1); //sum of absolute values
}
template <>
double caffe_cpu_asum<double>(const int n, const double* x) {
return cblas_dasum(n, x, 1); //sum of absolute values
}
template <typename Dtype>
Dtype caffe_cpu_abs_sum(const int n, const Dtype* x) {
return caffe_cpu_asum(n, x);
}
template
float caffe_cpu_asum<float>(const int n, const float* x);
template
double caffe_cpu_asum<double>(const int n, const double* x);
//-------------------------add-------------------------------------------第四步：在./src/caffe/layers/下增加相应layer的CPU/GPU实现文件
CPU版本（absolute_loss_layer.cpp）：[plain]
view plain
copy
print?
#include <vector>
#include "caffe/layers/absolute_loss_layer.hpp"
#include "caffe/util/math_functions.hpp"
namespace caffe {
template <typename Dtype>
void AbsoluteLossLayer<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.";
dis_.ReshapeLike(*bottom[0]); //Blob 类型的diff_用来存放两个bottom的差，和bottom具有相同的
}
template <typename Dtype>
void AbsoluteLossLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
int count = bottom[0]->count(); //总共有count个featuremap
caffe_sub(
count,
bottom[0]->cpu_data(),
bottom[1]->cpu_data(),
dis_.mutable_cpu_data()); //diff_ = bottom[0] - bottom[1]
Dtype loss_param = this->layer_param_.absolute_loss_param().dis();
Dtype abs_sum = caffe_cpu_abs_sum(count,dis_.cpu_data());
//Dtype dot = caffe_cpu_abs_sum()(count, diff_.cpu_data(), dis_.cpu_data());
Dtype loss = loss_param * abs_sum / bottom[0]->num();
top[0]->mutable_cpu_data()[0] = loss;
}
template <typename Dtype>
void AbsoluteLossLayer<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;
const Dtype alpha = sign * top[0]->cpu_diff()[0] / bottom[i]->num();
caffe_cpu_axpby(
bottom[i]->count(), // count
alpha, // alpha
dis_.cpu_data(), // a
Dtype(0), // beta
bottom[i]->mutable_cpu_diff()); // b
} //bottom[i]->mutable_cpu_diff()) = alpha*dis_.cpu_data()
}
}
#ifdef CPU_ONLY
STUB_GPU(AbsoluteLossLayer);
#endif
INSTANTIATE_CLASS(AbsoluteLossLayer);
REGISTER_LAYER_CLASS(AbsoluteLoss);
} // namespace caffe
#include <vector>
#include "caffe/layers/absolute_loss_layer.hpp"
#include "caffe/util/math_functions.hpp"
namespace caffe {
template <typename Dtype>
void AbsoluteLossLayer<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.";
dis_.ReshapeLike(*bottom[0]); //Blob 类型的diff_用来存放两个bottom的差，和bottom具有相同的
}
template <typename Dtype>
void AbsoluteLossLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
int count = bottom[0]->count(); //总共有count个featuremap
caffe_sub(
count,
bottom[0]->cpu_data(),
bottom[1]->cpu_data(),
dis_.mutable_cpu_data()); //diff_ = bottom[0] - bottom[1]
Dtype loss_param = this->layer_param_.absolute_loss_param().dis();
Dtype abs_sum = caffe_cpu_abs_sum(count,dis_.cpu_data());
//Dtype dot = caffe_cpu_abs_sum()(count, diff_.cpu_data(), dis_.cpu_data());
Dtype loss = loss_param * abs_sum / bottom[0]->num();
top[0]->mutable_cpu_data()[0] = loss;
}
template <typename Dtype>
void AbsoluteLossLayer<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;
const Dtype alpha = sign * top[0]->cpu_diff()[0] / bottom[i]->num();
caffe_cpu_axpby(
bottom[i]->count(), // count
alpha, // alpha
dis_.cpu_data(), // a
Dtype(0), // beta
bottom[i]->mutable_cpu_diff()); // b
} //bottom[i]->mutable_cpu_diff()) = alpha*dis_.cpu_data()
}
}
#ifdef CPU_ONLY
STUB_GPU(AbsoluteLossLayer);
#endif
INSTANTIATE_CLASS(AbsoluteLossLayer);
REGISTER_LAYER_CLASS(AbsoluteLoss);
} // namespace caffe GPU版本（absolute_loss_layer.cu）：[plain]
view plain
copy
print?
#include <vector> #include "caffe/layers/absolute_loss_layer.hpp" #include "caffe/util/math_functions.hpp" namespace caffe { template <typename Dtype> void AbsoluteLossLayer<Dtype>::Forward_gpu(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) { int count = bottom[0]->count(); //总共有count个featuremap caffe_gpu_sub( count, bottom[0]->gpu_data(), bottom[1]->gpu_data(), dis_.mutable_gpu_data()); Dtype loss_param = this->layer_param_. Dtype abs_sum; caffe_gpu_asum(count, dis_.gpu_data(), &abs_sum); Dtype loss = loss_param * abs_sum/ bottom[0]->num(); top[0]->mutable_cpu_data()[0] = loss; }
#include <vector>
#include "caffe/layers/absolute_loss_layer.hpp"
#include "caffe/util/math_functions.hpp"
namespace caffe {
template <typename Dtype>
void AbsoluteLossLayer<Dtype>::Forward_gpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
int count = bottom[0]->count(); //总共有count个featuremap
caffe_gpu_sub(
count,
bottom[0]->gpu_data(),
bottom[1]->gpu_data(),
dis_.mutable_gpu_data());
Dtype loss_param = this->layer_param_.
Dtype abs_sum;
caffe_gpu_asum(count, dis_.gpu_data(), &abs_sum);
Dtype loss = loss_param * abs_sum/ bottom[0]->num();
top[0]->mutable_cpu_data()[0] = loss;
}[plain]
view plain
copy
print?
template <typename Dtype>
void AbsoluteLossLayer<Dtype>::Backward_gpu(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]) {
const Dtype sign = (i == 0) ? 1 : -1;
const Dtype alpha = sign * top[0]->cpu_diff()[0] / bottom[i]->num();
caffe_gpu_axpby(
bottom[i]->count(), // count
alpha, // alpha
dis_.gpu_data(), // a
Dtype(0), // beta
bottom[i]->mutable_gpu_diff()); // b
}
}
}
INSTANTIATE_LAYER_GPU_FUNCS(AbsoluteLossLayer);
} // namespace caffe
template <typename Dtype>
void AbsoluteLossLayer<Dtype>::Backward_gpu(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]) {
const Dtype sign = (i == 0) ? 1 : -1;
const Dtype alpha = sign * top[0]->cpu_diff()[0] / bottom[i]->num();
caffe_gpu_axpby(
bottom[i]->count(), // count
alpha, // alpha
dis_.gpu_data(), // a
Dtype(0), // beta
bottom[i]->mutable_gpu_diff()); // b
}
}
}
INSTANTIATE_LAYER_GPU_FUNCS(AbsoluteLossLayer);
} // namespace caffe第五步：用vs打开caffe，进行编译，编译成功后，恭喜你，功力又上升一个段位，哈哈
1.修改../windows/libcaffe下的两个文件：libcaffe.vcxproj和libcaffe.vcxproj.filterslibcaffe.vcxproj增加：
[plain]
view plain
copy
print?
<ClCompile Include="..\..\src\caffe\layers\absolute_loss_layer.cpp" /> <ClInclude Include="..\..\include\caffe\layers\absolute_loss_layer.hpp" /> <CudaCompile Include="..\..\src\caffe\layers\absolute_loss_layer.cu" />
<ClCompile Include="..\..\src\caffe\layers\absolute_loss_layer.cpp" /> <ClInclude Include="..\..\include\caffe\layers\absolute_loss_layer.hpp" /> <CudaCompile Include="..\..\src\caffe\layers\absolute_loss_layer.cu" />libcaffe.vcxproj.filter增加：
[plain]
view plain
copy
print?
<ClInclude Include="..\..\include\caffe\layers\absolute_loss_layer.hpp"> <Filter>include\layers</Filter> </ClInclude> <CudaCompile Include="..\..\src\caffe\layers\absolute_loss_layer.cu"> <Filter>cu\layers</Filter> </CudaCompile> <ClCompile Include="..\..\src\caffe\layers\absolute_loss_layer.cpp"> <Filter>src\layers</Filter> </ClCompile>
<ClInclude Include="..\..\include\caffe\layers\absolute_loss_layer.hpp"> <Filter>include\layers</Filter> </ClInclude> <CudaCompile Include="..\..\src\caffe\layers\absolute_loss_layer.cu"> <Filter>cu\layers</Filter> </CudaCompile> <ClCompile Include="..\..\src\caffe\layers\absolute_loss_layer.cpp"> <Filter>src\layers</Filter> </ClCompile>2.打开caffe.sln，再进行重新生成新的解决方案，编译通过后，恭喜你功力又升一级！
顶 0
踩 0
上一篇DeepLearning（基于caffe）实战项目（7）--从caffe结构里函数总结一览caffe
下一篇DeepLearning（基于caffe）实战项目（9）--Python测试训练好的model
相关文章推荐
•
caffe添加新层教程
•
【免费】深入理解Docker内部原理及网络配置--王渊命
•
pthread_create 传递参数时指针跑飞问题
•
SDCC 2017之区块链技术实战线上峰会--蔡栋
•
【C++11新特性】 C++11智能指针之shared_ptr
•
php零基础到项目实战
•
从零开始山寨Caffe·壹：仰望星空与脚踏实地
•
C语言及程序设计入门指导
•
LTE系统信息（1）-MIB
•
Android入门实战
•
typedef和define具体的详细区别
•
5天搞定深度学习框架Caffe
•
C语言的一个关键字——static
•
最快速度找到内存泄漏
•
DeepLearning（基于caffe）实战项目（8）--修改caffe源代码从添加loss(层)函数开始
•
DeepLearning（基于caffe）实战项目（1）--mnist_convert函数分析
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- DeepLearning（基于caffe）实战项目（8）--修改caffe源代码从添加loss(层)函数开始
- 修改caffe源代码--添加loss(层)函数--GPU
- 修改caffe源代码--添加loss(层)函数--CPU
- 适合所有表的添加、删除、修改的函数
- 如何为WPF添加Main()函数 程序入口点的修改
- 适合所有表的添加、删除、修改的函数
- fckeditor在php中的用法（添加于修改写成了函数）
- JS自定义功能函数实现动态添加网址参数修改网址参数值
- VS2010利用宏快速添加注释（函数描述，修改注释等）
- JS自定义功能函数实现动态添加网址参数修改网址参数值
- JS自定义功能函数实现动态添加网址参数修改网址参数值
- 刷新SQL Server所有视图、函数、存储过程 更多 sql 此脚本用于在删除或添加字段时刷新相关视图，并检查视图、函数、存储过程有效性。 [SQL]代码 --视图、存储过程、函数名称 DECLARE @NAME NVARCHAR(255); --局部游标 DECLARE @CUR CURSOR --自动修改未上状态为旷课 SET @CUR=CURSOR SCROLL DYNAMIC FO
- 适合所有表的添加、删除、修改的函数
- 如何管理和记录 SSIS 各个 Task 的开始执行时间和结束时间以及 Task 中添加|删除|修改的记录数
- C++继承修改添加函数成员
- 【无私分享：从入门到精通ASP.NET MVC】从0开始，一起搭框架、做项目（7.2） 模块管理，模块的添加、修改、删除
- 适合所有表的添加、删除、修改的函数
- JS动态添加网址参数,修改网址参数值的自定义功能函数
- 从头开始一步一步实现EF6+Autofac+MVC5+Bootstarp极简前后台ajax表格展示及分页（二）前端修改、添加表格行点击弹出模态框
- [c++11]如果函数不修改传入的参数，则参数添加const 修饰 -- rvalue