|
|
@@ -9,6 +9,10 @@ |
|
|
#include "caffe/proto/caffe.pb.h"
|
|
|
#include "caffe/syncedmem.hpp"
|
|
|
|
|
|
+/*
|
|
|
+主要是分配内存和释放内存。class yncedMemory定义了内存分配管理和CPU与GPU之间同步的函数。
|
|
|
+ Blob会使用SyncedMem自动决定什么时候去copy data以提高运行效率，通常情况是仅当gnu或cpu修改后有copy操作。
|
|
|
+ */
|
|
|
const int kMaxBlobAxes = 32;
|
|
|
|
|
|
namespace caffe {
|
|
|
@@ -23,10 +27,18 @@ namespace caffe { |
|
|
template <typename Dtype>
|
|
|
class Blob {
|
|
|
public:
|
|
|
+ /**
|
|
|
+ BLob只是一个基本的数据结构，因此内部的变量相对较少，首先是data_指针，指针类型是shared_ptr，
|
|
|
+ 属于boost库的一个智能指针，这一部分主要用来申请内存存储data，data主要是正向传播的时候用的。
|
|
|
+ diff_主要用来存储偏差，update data，shape_data和shape_都是存储Blob的形状，一个
|
|
|
+ 是老版本一个是新版本。
|
|
|
+ count表示Blob中的元素个数，也就是个数*通道数*高度*宽度
|
|
|
+ capacity表示当前的元素个数，因为Blob可能会reshape。
|
|
|
+ */
|
|
|
Blob()
|
|
|
: data_(), diff_(), count_(0), capacity_(0) {}
|
|
|
-
|
|
|
/// @brief Deprecated; use <code>Blob(const vector<int>& shape)</code>.
|
|
|
+ //当构造函数被声明 explicit 时,编译器将不使用它作为转换操作符。
|
|
|
explicit Blob(const int num, const int channels, const int height,
|
|
|
const int width);
|
|
|
explicit Blob(const vector<int>& shape);
|
|
|
@@ -141,6 +153,7 @@ class Blob { |
|
|
<< "Cannot use legacy accessors on Blobs with > 4 axes.";
|
|
|
CHECK_LT(index, 4);
|
|
|
CHECK_GE(index, -4);
|
|
|
+ //肯定是在做比较Geater or Eqal这样的意思。这其实是GLOG，谷歌的一个日志库，Caffe里面用用了大量这样的宏，看起来也比较直观
|
|
|
if (index >= num_axes() || index < -num_axes()) {
|
|
|
// Axis is out of range, but still in [0, 3] (or [-4, -1] for reverse
|
|
|
// indexing) -- this special case simulates the one-padding used to fill
|
|
|
@@ -149,7 +162,9 @@ class Blob { |
|
|
}
|
|
|
return shape(index);
|
|
|
}
|
|
|
-
|
|
|
+/*
|
|
|
+offset计算的方式也支持两种方式，一种直接指定n,c,h,w或者放到一个vector中进行计算，偏差是根据对应的n,c,h,w
|
|
|
+*/
|
|
|
inline int offset(const int n, const int c = 0, const int h = 0,
|
|
|
const int w = 0) const {
|
|
|
CHECK_GE(n, 0);
|
|
|
@@ -185,6 +200,7 @@ class Blob { |
|
|
* of other (and die otherwise); if true, Reshape this Blob to other's
|
|
|
* shape if necessary
|
|
|
*/
|
|
|
+ //CopyFrom()从source拷贝数据，copy_diff来作为标志区分拷贝的是data还是diff。
|
|
|
void CopyFrom(const Blob<Dtype>& source, bool copy_diff = false,
|
|
|
bool reshape = false);
|
|
|
|
|
|
@@ -223,13 +239,18 @@ class Blob { |
|
|
void set_gpu_data(Dtype* data);
|
|
|
const Dtype* cpu_diff() const;
|
|
|
const Dtype* gpu_diff() const;
|
|
|
+ //data就是存储前向传递的信息的数据，diff指的是神经网络在反向传播时候的梯度。
|
|
|
Dtype* mutable_cpu_data();
|
|
|
Dtype* mutable_gpu_data();
|
|
|
Dtype* mutable_cpu_diff();
|
|
|
Dtype* mutable_gpu_diff();
|
|
|
void Update();
|
|
|
- void FromProto(const BlobProto& proto, bool reshape = true);
|
|
|
- void ToProto(BlobProto* proto, bool write_diff = false) const;
|
|
|
+ /*
|
|
|
+ 这两个函数主要是将数据序列化，存储到BlobProto，这里说到Proto是谷歌的一个数据序列化的存储格式，
|
|
|
+ 可以实现语言、平台无关、可扩展的序列化结构数据格式。
|
|
|
+ */
|
|
|
+ void FromProto(const BlobProto& proto, bool reshape = true); //反序列化
|
|
|
+ void ToProto(BlobProto* proto, bool write_diff = false) const; //序列化
|
|
|
|
|
|
/// @brief Compute the sum of absolute values (L1 norm) of the data.
|
|
|
Dtype asum_data() const;
|
|
|
|
