本文主要分析**caffe
**中**Blob
**内存管理类**SyncedMemory
**,主要内容包括:
SyncedMemory
和Blob
的关系SyncedMemory
中的方法,如内存的分配、释放SyncedMemory
中内存的申请,是在数据访问时才分配而不是立马分配(通过enum SyncedHead
状态实现)SyncedMemory
和Blob
的关系Blob
中的主要数据成员如下,实际是在SyncedMemory
上做了一层包装:
SyncedMemory
SyncedMemory 的主要数据成员如下:
SyncedMemory
屏蔽了代码对不同硬件设备的内存分配的感知,同时隐藏了CPU和GPU之间的同步过程。SyncedMemory
采用“lazy”的模式,就是内存的实际申请时机是在第一次使用时进行的(通过枚举状态)。首先看如下两个函数cpu_data, gpu_data获取cpu,gpu数据指针:
以cpu_data为例, 如果数据尚未分配(通过如下枚举判断),则分配数据,如果已经分配则什么也不做:
SyncedMemory有如下接口,获取cpu中的数据指针(gpu同理):
Blob中调用:
内存分配与释放由两个(不属于SyncedMemory类)的内联函数完成. 代码简单直观: 如果是CPU模式, 那么调用malloc和free来申请/释放内存, 否则调用CUDA的cudaMallocHost和cudaFreeHost来申请/释放显存.
caffe
系列源码分析介绍本系列深度学习框架caffe
源码分析主要内容如下:
caffe源码分析-cmake 工程构建主要内容:
自己从头构建一遍工程,这样能让我更好的了解大型的项目的构建。当然原始的caffe的构建感觉还是比较复杂(主要是cmake),我这里仅仅使用cmake构建,而且简化点,当然最重要的是支持CLion直接运行调试(如果需要这个工程可以评论留下你的邮箱,我给你发送过去)。
SyncedMemory
, 以及类Blob
数据传输的媒介.主要内容:
其中Blob
分析给出了其直接与opencv的图片相互转化以及操作,可以使得我们更好的理解Blob
.
layer
的源码分析,包括从整体上说明了layer
类别以及其proto定义与核心函数.内容如下:
首先分析了最简单的layer
Relu
,然后在是inner_product_layer全连接层
, 最后是layer_factory
caffe中 以此工厂模式create各种Layer.
内容如下:
内容如下:
内容如下:
caffe c++示例(mnist 多层感知机c++训练,测试)
类似与caffe
一样按照layer、solver、loss、net
等模块构建的神经网络实现可以见下面这篇blog,相信看懂了这个python的代码理解caffe框架会更简单点.
最后如果需要**cmake
** + CLion
**直接运行调试**caffe
**的代码工程,可以评论留下你的邮箱,我给你发送过去.**
参考: