caffe blob理解

blob数据结构是caffe中基本的数据存储单元，它主要存储的数据是网络中的中间数据变量，比如各层的输入和输出；代价函数关于网络各层参数的梯度。

blob中除了存储数据外，还有一些标记数据的参数，以下就是一些blob中的数据成员：

protected:
  shared_ptr<SyncedMemory> data_;
  shared_ptr<SyncedMemory> diff_;
  shared_ptr<SyncedMemory> shape_data_;
  vector<int> shape_;
  int count_;
  int capacity_

data_：表示网络各层的输入和输出；

diff_：表示代价函数相对于各层参数的梯度；

shape_：是一个可变数组，shape_中主要存储4个变量：num表示一个batch中的样本数量，从这我们可以看出Blob的存储是以batch为基本单位的；channels表示对应层的通道，比如卷积层有20个卷积核，channels的值就是20；height和width就表示单个数据的尺寸，可能是一副图像的尺寸，也可能表示卷积核的尺寸，在每一层所代表的含义也不相同。

count_：表示这个Blob里已经存储的元素的个数；

capacity_：表示这个Blob的容量;

Blob同时保存了data_和diff_,其类型为SyncedMemory的指针，注意是指针。

Blob中除了数据成员之外，也有很多用于操作数据的函数成员，下面就说几个比较重要的：

void Blob<Dtype>::Reshape()：这个函数是在原来分配的内存不够的情况下重新分配内存。

const Dtype* Blob<Dtype>::cpu_data()：这个是获取Blob结构体中的data_数据的指针，同时限制不能对返回的指针指向的内容进行更改。

const Dtype* Blob<Dtype>::cpu_diff()：这个是获取Blob结构体中的diff_数据的指针，同时限制不能对返回的指针指向的内容进行更改。

Dtype* Blob<Dtype>::mutable_cpu_data()：获取Blob结构体中的data_数据的指针，同时可以对指针指向的内容更改。

Dtype* Blob<Dtype>::mutable_cpu_diff()：获取Blob结构体中的diff_数据的指针，同时可以对指针指向的内容更改。

void Blob<Dtype>::ShareData(const Blob& other)：让其他Blob的data_数据和当前Blob共享。

void Blob<Dtype>::ShareDiff(const Blob& other)：让其他Blob的diff_和当前的Blob共享。

在blob.hpp中还有这样几个定义：

按照注释的意思，这几个函数和shape()是一样的作用。shape本身是一个vector，这个vector的size为4，第一个位置存储图片的个数，第二个存储channel的个数，以此类推。

逻辑上看，blob是一个四维数组。但实际上，因为数组的存储是在内存中开辟一块连续的、大小相同的的空间，所以blob的存储应该是一个一维的存储结构。只不过是利用四个参数来进行寻址（shape_里的四个参数）。并且blob是行优先的存储方式。

所以对于一个(n, k, h, w)的blob，他的维度就是n*k*h*w，在(n, k, h, w)位置的值物理位置为((n * K + k) * H + h) * W + w。

以Blob中二维矩阵为例（如全连接网络shape (N, D)），如图所示。同样的存储方式可以推广到多维。

动态多维数组：Blob 类可以动态改变数组的尺寸，当拓展数组导致原有内存空间不足以存放下数据时 (count > capacity)，就会重新分配内存。Blob 提供了一组 Reshape 函数来完成这个功能。

void Reshape(const int num, const int channels, const int height, const int width); // Deprecated
void Reshape(const vector<int>& shape);
void Reshape(const BlobShape& shape);
void ReshapeLike(const Blob& other);

Blob 类在初始化时并没有分配内存，也是通过调用 Reshape 来分配内存的。

template <typename Dtype>
void Blob<Dtype>::Reshape(const vector<int>& shape) {
  CHECK_LE(shape.size(), kMaxBlobAxes); // 检查维数
  count_ = ; // 用于计算新的多维数组的大小
  shape_.resize(shape.size()); // 更新维数
  if (!shape_data_ || shape_data_->size() < shape.size() * sizeof(int)) {
    // shape_data_ 未初始化或者内存太小
    shape_data_.reset(new SyncedMemory(shape.size() * sizeof(int)));
  }
  int* shape_data = static_cast<int*>(shape_data_->mutable_cpu_data());
  for (int i = ; i < shape.size(); ++i) {
    CHECK_GE(shape[i], );
    CHECK_LE(shape[i], INT_MAX / count_) << "blob size exceeds INT_MAX";
    count_ *= shape[i];
    shape_[i] = shape[i];
    shape_data[i] = shape[i];
  }
  if (count_ > capacity_) {
    // 内存不够
    capacity_ = count_;
    data_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));
    diff_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));
  }
}

http://blog.csdn.net/qq_14975217/article/details/51524042

http://blog.csdn.net/mounty_fsc/article/details/51085654

http://blog.csdn.net/buyi_shizi/article/details/51506853

http://blog.csdn.net/jyl1999xxxx/article/details/53981813