Caffe学习：Forward and Backward

 

Caffe学习：Forward and Backward

标签： machine-learningcaffe
2015-08-07 21:38 4178人阅读 评论(1) 收藏 举报


 分类：

machine-learning（33） 

 caffe（28） 


原文
forward and backward passes（前向迭代和反向迭代）是Net最基本的成分。



下面以简单的logistic regression classifier（逻辑回归分类器）为例。
Forward Pass（前向迭代）利用给定的输入，根据模型设定的函数，计算出输出。This pass goes from bottom to top（数据流向从bottom到top）。



数据x通过一个inner product layer，函数为g(x)，然后通过softmax layer，函数为h(x)，最终将softmax loss输出为fW(x)。
Backward Pass（反向迭代）计算由loss（损失）给出的gradient（梯度），用于学习、优化参数。Caffe反向计算每一层的gradient，通过automatic differentiation（自动微分）计算出整个模型的gradient（梯度）。这称为back-propagation（反向迭代）。This pass goes from top to bottom（数据流向从top到bottom）。



Backward Pass从loss开始，依据output的∂fW∂h计算出gradient，layer-by-layer地计算出整个模型的gradient。对于有参数的Layer，例如INNER_PRODUCT layer，根据其参数由∂fW∂Wip计算出其梯度。

Caffe如何进行forward and backward passes（前向迭代和反向迭代）：
每一次计算时，Net::Forward()和Net::Backward() 方法会调用Layer::Forward()和Layer::Backward()方法
每一个Layer都有forward_{cpu,gpu}()和backward_{cpu,gpu}方法，一个Layer可以只使用CPU或者GPU模式，在某些特定约束条件下，或者为了便利。

Solver（求解方法）优化模型的方法是：先调用forward pass计算output和loss，然后调用backward pass去计算模型的gradient。利用计算出的gradient赋予一定的weight（权重）去更新学习参数，以最大限度地降低loss。
Solver，Net，和Layer之间的明确分工，是Caffe保持高度的模块化、开放的发展空间。

如果想要了解Caffe不同类型Layer的forward and backward step的细节，详见layer catalogue。