caffe中batch_norm层代码详细注解

caffe中batch_norm层代码详细注解

caffe中batch_norm层代码注解

 

一：BN的解释：
在训练深层神经网络的过程中, 由于输入层的参数在不停的变化, 因此, 导致了当前层的分布在不停的变化, 这就导致了在训练的过程中, 要求 learning rate 要设置的非常小, 另外, 对参数的初始化的要求也很高. 作者把这种现象称为internal convariate shift. Batch Normalization 的提出就是为了解决这个问题的. BN 在每一个 training mini-batch 中对每一个 feature 进行 normalize. 通过这种方法, 使得网络可以使用较大的 learning rate, 而且, BN 具有一定的 regularization 作用.
（BN在知乎上的一个解释：
顾名思义，batch normalization嘛，就是“批规范化”咯。Google在ICML文中描述的非常清晰，即在每次SGD时，通过mini-batch来对相应的activation做规范化操作，使得结果（输出信号各个维度）的均值为0，方差为1. 而最后的“scale and shift”操作则是为了让因训练所需而“刻意”加入的BN能够有可能还原最初的输入（即当
），从而保证整个network的capacity。（有关capacity的解释：实际上BN可以看作是在原模型上加入的“新操作”，这个新操作很大可能会改变某层原来的输入。当然也可能不改变，不改变的时候就是“还原原来输入”。如此一来，既可以改变同时也可以保持原输入，那么模型的容纳能力（capacity）就提升了。）以上部分的链接：https://www.zhihu.com/question/38102762/answer/85238569
）
Batch Normalization 算法

 

 

二：caffe中的batch_norm层
Reshape()中是bn层需要的一些变量的初始化，代码如下

 

 

[cpp] view plain copy
 
  1. template <typename Dtype>  
  2. void BatchNormLayer<Dtype>::Reshape(const vector<Blob<Dtype>*>& bottom,  
  3.       const vector<Blob<Dtype>*>& top) {  
  4.   if (bottom[0]->num_axes() >= 1)  
  5.     CHECK_EQ(bottom[0]->shape(1), channels_);  
  6.   top[0]->ReshapeLike(*bottom[0]);  
  7.   
  8.   vector<int> sz;  
  9.   sz.push_back(channels_);  
  10.   mean_.Reshape(sz);//通道数,即channel值大小，存储的是均值  
  11.   variance_.Reshape(sz);//通道数，即channel值大小，存储的是方差值  
  12.   temp_.ReshapeLike(*bottom[0]);//temp_中存储的是减去mean_后的每一个数的方差值。  
  13.   x_norm_.ReshapeLike(*bottom[0]);  
  14.   sz[0]=bottom[0]->shape(0);  
  15.   batch_sum_multiplier_.Reshape(sz);//batch_size 大小  
  16.   
  17.   int spatial_dim = bottom[0]->count()/(channels_*bottom[0]->shape(0));//图像height*width  
  18.   
  19.   /* 
  20.   *spatial_sum_multiplier_是一副图像大小的空间(height*width)，并初始化值为 1 ， 
  21.   *作用是在计算mean_时辅助通过乘的方式将一副图像的值相加，结果是一个数值 
  22.   */  
  23.   if (spatial_sum_multiplier_.num_axes() == 0 ||  
  24.       spatial_sum_multiplier_.shape(0) != spatial_dim) {  
  25.     sz[0] = spatial_dim;  
  26.     spatial_sum_multiplier_.Reshape(sz);  
  27.     Dtype* multiplier_data = spatial_sum_multiplier_.mutable_cpu_data();//分配一副图像的空间  
  28.     caffe_set(spatial_sum_multiplier_.count(), Dtype(1), multiplier_data);//初始化值为 1，   
  29.   }  
  30.   
  31.   int numbychans = channels_*bottom[0]->shape(0);//batch_size*channel  
  32.   if (num_by_chans_.num_axes() == 0 ||  
  33.       num_by_chans_.shape(0) != numbychans) {  
  34.     sz[0] = numbychans;  
  35.     num_by_chans_.Reshape(sz);  
  36.   
  37.     //batch_sum_multiplier_ batch_size大小的空间，也是辅助在计算mean_时，将所要图像的相应的通道值相加。  
  38.     caffe_set(batch_sum_multiplier_.count(), Dtype(1),  
  39.         batch_sum_multiplier_.mutable_cpu_data());//分配空间，初始化为 1，  
  40.   }  
  41. }  

Forwad_cpu()函数中，计算均值和方差的方式，都是通过矩阵-向量乘的方式来计算。计算过程，对照上面的公式，代码如下：

 

 

[cpp] view plain copy
 
  1. template <typename Dtype>  
  2. void BatchNormLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,  
  3.     const vector<Blob<Dtype>*>& top) {  
  4.   const Dtype* bottom_data = bottom[0]->cpu_data();  
  5.   Dtype* top_data = top[0]->mutable_cpu_data();  
  6.   int num = bottom[0]->shape(0);  
  7.   int spatial_dim = bottom[0]->count()/(bottom[0]->shape(0)*channels_);//spatial_dim值是 图像height*width  
  8.   
  9. //如果底层的blob与顶层的blob不是同一个blob  
  10.   if (bottom[0] != top[0]) {  
  11.     caffe_copy(bottom[0]->count(), bottom_data, top_data);  
  12.   }  
  13.   
  14.   if (use_global_stats_) {  
  15.     // use the stored mean/variance estimates.  
  16.     const Dtype scale_factor = this->blobs_[2]->cpu_data()[0] == 0 ?  
  17.         0 : 1 / this->blobs_[2]->cpu_data()[0];  
  18.     caffe_cpu_scale(variance_.count(), scale_factor,  
  19.         this->blobs_[0]->cpu_data(), mean_.mutable_cpu_data());  
  20.     caffe_cpu_scale(variance_.count(), scale_factor,  
  21.         this->blobs_[1]->cpu_data(), variance_.mutable_cpu_data());  
  22.   } else {  
  23.     // compute mean 计算均值  
  24.     //将每一副图像值相加为一个值，共有channels_ * num个值，然后再乘以 1/num*spatial_dim，结果存储到blob num_by_chans_中  
  25.     caffe_cpu_gemv<Dtype>(CblasNoTrans, channels_ * num, spatial_dim, //channel*num 行；spatial_dim 列，大小是height*width  
  26.         1. / (num * spatial_dim), bottom_data,  
  27.         spatial_sum_multiplier_.cpu_data(), 0.,  
  28.         num_by_chans_.mutable_cpu_data());  
  29.   
  30.  //上面计算得到的值大小是num*channel， 将图像的每个通道的值相加，最后获得channel个数值，结果存储到mean_中  
  31.     caffe_cpu_gemv<Dtype>(CblasTrans, num, channels_, 1.,  
  32.         num_by_chans_.cpu_data(), batch_sum_multiplier_.cpu_data(), 0.,  
  33.         mean_.mutable_cpu_data());  
  34.   }  
  35.   
  36.   // subtract mean  
  37.   //将channels_个值的均值mean_矩阵扩展到num_*channels_*height*width，并用top_data数据减去均值  
  38.   caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, num, channels_, 1, 1,  
  39.       batch_sum_multiplier_.cpu_data(), mean_.cpu_data(), 0.,  
  40.       num_by_chans_.mutable_cpu_data());  
  41.     
  42.   caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, channels_ * num,  
  43.       spatial_dim, 1, -1, num_by_chans_.cpu_data(),  
  44.       spatial_sum_multiplier_.cpu_data(), 1., top_data);//用blob top_data中的数据减去mean_值  
  45.   
  46.   if (!use_global_stats_) {  
  47.     // compute variance using var(X) = E((X-EX)^2)  
  48.     caffe_powx(top[0]->count(), top_data, Dtype(2),  
  49.         temp_.mutable_cpu_data());  // (X-EX)^2 //对向量的每一个值求方差，结果存储到blob temp_中  
  50.     caffe_cpu_gemv<Dtype>(CblasNoTrans, channels_ * num, spatial_dim,  
  51.         1. / (num * spatial_dim), temp_.cpu_data(),  
  52.         spatial_sum_multiplier_.cpu_data(), 0.,  
  53.         num_by_chans_.mutable_cpu_data());//同上计算 mean_的方式，矩阵 向量 乘  
  54.     caffe_cpu_gemv<Dtype>(CblasTrans, num, channels_, 1.,  
  55.         num_by_chans_.cpu_data(), batch_sum_multiplier_.cpu_data(), 0.,  
  56.         variance_.mutable_cpu_data());  // E((X_EX)^2)//同上计算 mean_的方式，矩阵 向量 乘 (此处num_by_chans_转置)  
  57.   
  58.     // compute and save moving average  
  59.     this->blobs_[2]->mutable_cpu_data()[0] *= moving_average_fraction_;  
  60.     this->blobs_[2]->mutable_cpu_data()[0] += 1;  
  61.   
  62.     // blob_[0] = mean_ + moving_average_fraction_* blob_[0];   
  63.     caffe_cpu_axpby(mean_.count(), Dtype(1), mean_.cpu_data(),  
  64.         moving_average_fraction_, this->blobs_[0]->mutable_cpu_data());//Y=alpha*X+beta*Y;  
  65.           
  66.     int m = bottom[0]->count()/channels_;// m = num*height*width;  
  67.   
  68.     //blob_[1] = bias_correction_factor * variance_ + moving_average_fraction_ * blob_[1]  
  69.     Dtype bias_correction_factor = m > 1 ? Dtype(m)/(m-1) : 1;  
  70.     caffe_cpu_axpby(variance_.count(), bias_correction_factor,  
  71.         variance_.cpu_data(), moving_average_fraction_,  
  72.         this->blobs_[1]->mutable_cpu_data());  
  73.   }  
  74.   
  75.   // normalize variance  
  76.   caffe_add_scalar(variance_.count(), eps_, variance_.mutable_cpu_data());//将 variance 每个值加一个很小的值 eps_,防止除 0的情况。  
  77.   caffe_powx(variance_.count(), variance_.cpu_data(), Dtype(0.5),  
  78.              variance_.mutable_cpu_data()); // 对 variance的每个值 求开方。  
  79.   
  80.   // replicate variance to input size  
  81.   //以下这两个函数同上面的mean_一样，将channels_个值的方差variance_矩阵扩展到num_*channels_*height*width  
  82.   caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, num, channels_, 1, 1,  
  83.       batch_sum_multiplier_.cpu_data(), variance_.cpu_data(), 0.,  
  84.       num_by_chans_.mutable_cpu_data());  
  85.   caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, channels_ * num,  
  86.       spatial_dim, 1, 1., num_by_chans_.cpu_data(),  
  87.       spatial_sum_multiplier_.cpu_data(), 0., temp_.mutable_cpu_data());  
  88.     
  89.   caffe_div(temp_.count(), top_data, temp_.cpu_data(), top_data);//top_data 除以 temp_  
  90.   // TODO(cdoersch): The caching is only needed because later in-place layers  
  91.   //                 might clobber the data.  Can we skip this if they won't?  
  92.   caffe_copy(x_norm_.count(), top_data,  
  93.       x_norm_.mutable_cpu_data());//将 最后的结果top_data 数据复制 到 x_norm_中。  
  94. }  

 

（完）

版权声明：本文为博主原创文章，未经博主允许不得转载。 http://blog.csdn.net/Mrhiuser/article/details/52575951

 

posted @ 2018-03-19 11:23  菜鸡一枚  阅读(866)  评论(0)  编辑  收藏  举报