欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

学习Caffe(四)Euclidean Loss Layer和Softmax Loss Layer解析

程序员文章站 2024-03-14 21:52:11
...

Euclidean_loss_layer.cpp

Forward

比较简单

template <typename Dtype>
void EuclideanLossLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {
  int count = bottom[0]->count();
  caffe_sub(
      count,
      bottom[0]->cpu_data(),
      bottom[1]->cpu_data(),
      diff_.mutable_cpu_data());
  if (bottom.size() == 3) {
    caffe_mul(count, bottom[2]->cpu_data(), diff_.cpu_data(), diff_.mutable_cpu_data());
  }
  Dtype dot = caffe_cpu_dot(count, diff_.cpu_data(), diff_.cpu_data());
  Dtype loss = dot / bottom[0]->num() / Dtype(2);
  top[0]->mutable_cpu_data()[0] = loss;
}

Backward

template <typename Dtype>
void EuclideanLossLayer<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]) {
      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
          diff_.cpu_data(),                   // a
          Dtype(0),                           // beta
          bottom[i]->mutable_cpu_diff());  // b
    }
  }
}

这里比较困惑的是top[0]->cpu_diff()[0]。其实这个是loss_weight,每个loss layer的第一个top的loss weight默认都是1

见官方说明:http://caffe.berkeleyvision.org/tutorial/loss.html
学习Caffe(四)Euclidean Loss Layer和Softmax Loss Layer解析

Softmax_loss_layer.cpp

softmax:是指把前级神经元输出的值都以指数归一化, 估计 x中的每一种分类结果出现的概率
学习Caffe(四)Euclidean Loss Layer和Softmax Loss Layer解析
softmaxloss:softmax每个神经元表示一个类,假设输入是m个已标记的样本:{(x(1),y(1)),...,(x(m),y(m))},标签是y,则目标是最大化y(i)对应的这个神经元在输入x(i)的情况下输出的概率值:
学习Caffe(四)Euclidean Loss Layer和Softmax Loss Layer解析
对第j个神经元,要最大化真实标签为第j类的样本在该神经元上输出的概率。

Caffe的实现

Caffe中softmax的实现是先计算出神经元的最大值,减去最大值,再归一化。为了保持数值稳定性。

template <typename Dtype>
void SoftmaxLayer<Dtype>::Reshape(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top) {
  //获得标准化的下标
  softmax_axis_ =
      bottom[0]->CanonicalAxisIndex(this->layer_param_.softmax_param().axis());
  top[0]->ReshapeLike(*bottom[0]);
  //维度等于softmax_axis_这个维度
  vector<int> mult_dims(1, bottom[0]->shape(softmax_axis_));
  //利用矩阵相乘来求和,这个的值都是1
  sum_multiplier_.Reshape(mult_dims);
  Dtype* multiplier_data = sum_multiplier_.mutable_cpu_data();
  caffe_set(sum_multiplier_.count(), Dtype(1), multiplier_data);
  //softmax_axis_指示第几维度做softmax,默认值是1,若是一个分类网络,则此时outer_num_等于batch_size,
  //inner_num_等于1
  outer_num_ = bottom[0]->count(0, softmax_axis_);
  inner_num_ = bottom[0]->count(softmax_axis_ + 1);
  vector<int> scale_dims = bottom[0]->shape();
  //scale_存放神经元输出的最大值。因此其softmax_axis这个维度上的长度是1
  scale_dims[softmax_axis_] = 1;
  scale_.Reshape(scale_dims);
}
template <typename Dtype>
void SoftmaxLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
    const vector<Blob<Dtype>*>& top) {
  const Dtype* bottom_data = bottom[0]->cpu_data();
  Dtype* top_data = top[0]->mutable_cpu_data();
  Dtype* scale_data = scale_.mutable_cpu_data();
  int channels = bottom[0]->shape(softmax_axis_);
  int dim = bottom[0]->count() / outer_num_;
  caffe_copy(bottom[0]->count(), bottom_data, top_data);
  // We need to subtract the max to avoid numerical issues, compute the exp,
  // and then normalize.
  for (int i = 0; i < outer_num_; ++i) {
    // initialize scale_data to the first plane
    caffe_copy(inner_num_, bottom_data + i * dim, scale_data);
    for (int j = 0; j < channels; j++) {
      for (int k = 0; k < inner_num_; k++) {
        //计算最大值,注意除了指定的softmax_axis_维度,其他维度都是
        //独立地做softmax
        scale_data[k] = std::max(scale_data[k],
            bottom_data[i * dim + j * inner_num_ + k]);
      }
    }
    // subtraction
    caffe_cpu_gemm<Dtype>(CblasNoTrans, CblasNoTrans, channels, inner_num_,
        1, -1., sum_multiplier_.cpu_data(), scale_data, 1., top_data);
    // exponentiation
    caffe_exp<Dtype>(dim, top_data, top_data);
    // sum after exp
    caffe_cpu_gemv<Dtype>(CblasTrans, channels, inner_num_, 1.,
        top_data, sum_multiplier_.cpu_data(), 0., scale_data);
    // division
    for (int j = 0; j < channels; j++) {
      caffe_div(inner_num_, top_data, scale_data, top_data);
      top_data += inner_num_;
    }
  }
}

参考文献
UFLDL
softmax vs softmaxloss
caffe math function