Net的网络层的构建(源码分析)

概述

网络层的构建是在Net<Dtype>::Init()函数中完成的，构建的流程图如下所示：

 

从图中可以看出网络层的构建分为三个主要部分：解析网络文件、开始建立网络层、网络层需要参与计算的位置。

解析网络文件

该部分主要有两个函数FilterNet()、InsertSplits()。 

void Net<Dtype>::Init(const NetParameter& in_param) {
  CHECK(Caffe::root_solver() || root_net_)
      << "root_net_ needs to be set for all non-root solvers";
  // Set phase from the state.
  phase_ = in_param.state().phase();
  // Filter layers based on their include/exclude rules and
  // the current NetState.
  NetParameter filtered_param;
  FilterNet(in_param, &filtered_param);

 FilterNet()的作用是模型参数文件（*.prototxt）中的不符合规则的层去掉。例如：在caffe的examples/mnist中的lenet网络中，如果只是用于网络的前向，则需要将包含train的数据层去掉。 

/*
    *调用InsertSplits()函数,对于底层的一个输出blob对应多个上层的情况，
    *则要在加入分裂层，形成新的网络。
    *函数从filtered_param读入新网络到param
    **/
  InsertSplits(filtered_param, &param);

 InsertSplits()函数的作用是对于底层的一个输出blob对应多个上层的情况，则要在加入分裂层，形成新的网络。这么做的主要原因是多个层反传给该blob的梯度需要累加。例如：LeNet网络中的数据层的top label blob对应两个输入层，分别是accuracy层和loss层，那么需要在数据层在插入一层。如下图：

 

建立网络层

 该部分重要的函数有CreateLayer()、AppendBottom()、AppendTop()、SetUp()。 

  ...............
  //（很大的一个for循环）对每一层处理
  for (int layer_id = 0; layer_id < param.layer_size(); ++layer_id) {//开始遍历所有层
      ............
    // Setup layer.
    //param.layers(i)返回的是关于第当前层的参数：
    const LayerParameter& layer_param = param.layer(layer_id);
    if (share_from_root) {
      ............
    } else {
    /*
     *把当前层的参数转换为shared_ptr<Layer<Dtype>>，
      *创建一个具体的层，并压入到layers_中
    */
      layers_.push_back(LayerRegistry<Dtype>::CreateLayer(layer_param));
    }

 对于CreateLayer()函数，把解析的当前层调用CreatorRegistry类进行注册，从而获取到当前层。然后会调用AppendBottom()和AppendTop()函数具体创建层结构。 

//下面开始产生当前层：分别处理bottom的blob和top的blob两个步骤
    for (int bottom_id = 0; bottom_id < layer_param.bottom_size(); ++bottom_id) {
      const int blob_id = AppendBottom(param, layer_id, bottom_id,
&available_blobs, &blob_name_to_idx);
      need_backward |= blob_need_backward_[blob_id];
    }

对于AppendBottom()函数，其作用是为该层创建bottom blob，由于网络是堆叠而成，即：当前层的输出 bottom是前一层的输出top blob，因此此函数并没没有真正的创建blob，只是在将前一层的指针压入到了bottom_vecs_中。

int num_top = layer_param.top_size();
    for (int top_id = 0; top_id < num_top; ++top_id) {
      AppendTop(param, layer_id, top_id, &available_blobs, &blob_name_to_idx);
      ...............
    }

 对于AppendBottom()函数，其作用是为该层创建top blob，该函数真正的new的一个blob的对象。并将top blob 的指针压入到top_vecs_中。经过这两个函数网络层创建出该层所有的输入、输出blob，接下来就是调用SetUp()函数，正式建立层结构，并为blob分配内存空间。

//层已经连接完成，开始建立关系
    if (share_from_root) {
      // Set up size of top blobs using root_net_
      const vector<Blob<Dtype>*>& base_top = root_net_->top_vecs_[layer_id];
      const vector<Blob<Dtype>*>& this_top = this->top_vecs_[layer_id];
      for (int top_id = 0; top_id < base_top.size(); ++top_id) {
        this_top[top_id]->ReshapeLike(*base_top[top_id]);
      }
    } else {
      layers_[layer_id]->SetUp(bottom_vecs_[layer_id], top_vecs_[layer_id]);
}

//SetUp()函数的具体内容
void SetUp(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
    InitMutex();
    CheckBlobCounts(bottom, top);
    LayerSetUp(bottom, top);
    Reshape(bottom, top);
    SetLossWeights(top);
  }

 对于SetUp()函数，包含了CheckBlobCounts()、LayerSetUp()、SetLossWeights()、Reshape()等子函数，CheckBlobCounts()函数式读取Blob的数量，LayerSetUp()和Reshape()是虚函数，会在相应的层中实现这两个函数，SetLossWeights(top)函数会把top(输出blob)的loss weight进行初始化，loss weight是用来表示不同Layer产生的loss的重要性，Layer名称中以Loss结尾表示这是一个会产生loss的Layer，其他的Layer只是单纯的用于中间计算，同时每一层的loss值就是所有输出top blob的loss值的和。到此当前层的结构建立完成。经过多次循环，就可以构建整个网络。

确定网络层需要计算的blob

该部分的作用是确定哪些层或哪些层的blob需要参与计算，比如前向时需要确定哪些层的blob需要计算loss，后向时确定哪些层的blob需要计算diff。一个layer是否需要backward computation，主要依据两个方面：

  (1)该layer的top blob 是否参与loss的计算；

  (2)该layer的bottom blob 是否需要backward computation，比如Data层一般就不需要backward computation

对于前向的过程，部分源码如下： 

    ..............
for (int param_id = 0; param_id < num_param_blobs; ++param_id) {
      const ParamSpec* param_spec = (param_id < param_size) ?
          &layer_param.param(param_id) : &default_param_spec;
      const bool param_need_backward = param_spec->lr_mult() != 0;
      need_backward |= param_need_backward;
      layers_[layer_id]->set_param_propagate_down(param_id, param_need_backward);
    } 
 for (int param_id = 0; param_id < num_param_blobs; ++param_id) {
     ...........
      AppendParam(param, layer_id, param_id);
    }

 AppendParam()函数的作用是记录带有参数的层或者blob，对于某些有参数的层，例如：卷基层、全连接层有weight和bias。该函数主要是修改和参数有关的变量，实际的层参数的blob在上面提到的setup()函数中已经创建。对于后向的过程和前向类似，部分源码如下：

if (param.force_backward()) {
    for (int layer_id = 0; layer_id < layers_.size(); ++layer_id) {//迭代所有层
      layer_need_backward_[layer_id] = true;//需要参与backward
      for (int bottom_id = 0;
           bottom_id < bottom_need_backward_[layer_id].size(); ++bottom_id) {//每一层下的需要计算diff的所有blob
        bottom_need_backward_[layer_id][bottom_id] =
            bottom_need_backward_[layer_id][bottom_id] ||
            layers_[layer_id]->AllowForceBackward(bottom_id);
        blob_need_backward_[bottom_id_vecs_[layer_id][bottom_id]] =
            blob_need_backward_[bottom_id_vecs_[layer_id][bottom_id]] ||
            bottom_need_backward_[layer_id][bottom_id];
      }
      for (int param_id = 0; param_id < layers_[layer_id]->blobs().size();
           ++param_id) {//设置不需要计算参数的层
        layers_[layer_id]->set_param_propagate_down(param_id, true);
      }
    }
  }