Caffe：深入分析(怎么训练)

main()　

　　首先入口函数caffe.cpp

 int main(int argc, char** argv) {
   ......
   if (argc == ) {
 #ifdef WITH_PYTHON_LAYER
     try {
 #endif
       return GetBrewFunction(caffe::string(argv[]))(); //根据输入参数确定是train还是test，采用string到函数指针的映射实现，非常巧妙
 #ifdef WITH_PYTHON_LAYER
     } catch (bp::error_already_set) {
       PyErr_Print();
       return ;
     }
 #endif
   } else {
     gflags::ShowUsageWithFlagsRestrict(argv[], "tools/caffe");
   }
 }

　　在main函数中GetBrewFunction函数调用了通过工厂模式生成的由string到函数指针的map

 typedef int (*BrewFunction)();
 typedef std::map<caffe::string, BrewFunction> BrewMap;
 BrewMap g_brew_map;

　　在train、test、device_query、time函数后面都可以看到对这些函数的register，相当于这些函数指针已经在map中存在了

 RegisterBrewFunction(train);
 RegisterBrewFunction(test);
 RegisterBrewFunction(device_query);
 RegisterBrewFunction(time);

train()

　　接着是train过程

 // Train / Finetune a model.
 int train() {
   ......
   caffe::SolverParameter solver_param;
   caffe::ReadSolverParamsFromTextFileOrDie(FLAGS_solver, &solver_param);//从-solver参数读取solver_param
   ......
   shared_ptr<caffe::Solver<float> >
       solver(caffe::SolverRegistry<float>::CreateSolver(solver_param));//从参数创建solver，同样采用string到函数指针的映射实现，用到了工厂模式

   if (FLAGS_snapshot.size()) {//迭代snapshot次后保存模型一次
     LOG(INFO) << "Resuming from " << FLAGS_snapshot;
     solver->Restore(FLAGS_snapshot.c_str());
   } else if (FLAGS_weights.size()) {//若采用finetuning，则拷贝weight到指定模型
     CopyLayers(solver.get(), FLAGS_weights);
   }

   if (gpus.size() > ) {
     caffe::P2PSync<float> sync(solver, NULL, solver->param());
     sync.Run(gpus);
   } else {
     LOG(INFO) << "Starting Optimization";
     solver->Solve();//开始训练网络
   }
   LOG(INFO) << "Optimization Done.";
   return ;
 }

Solver()

　　看CreateSolver函数是如何构建solver和net的，CreateSolver定义在solver_factory.hpp中，首先需要知道的是solver是一个基类，继承自它的类有SGD等，下面的实现就可以根据param的type构造一个指向特定solver的指针，比如SGD。

 static Solver<Dtype>* CreateSolver(const SolverParameter& param) {
     const string& type = param.type();
     CreatorRegistry& registry = Registry();
     CHECK_EQ(registry.count(type), ) << "Unknown solver type: " << type
         << " (known types: " << SolverTypeListString() << ")";
     return registry[type](param);
   }

　　关键之处在于上面代码最后一行语句，它的作用是根据配置文件创建对应的Solver对象（默认为SGDSolver子类对象）。此处工厂模式和一个关键的宏REGISTER_SOLVER_CLASS(SGD)发挥了重要作用。

 #define REGISTER_SOLVER_CLASS(type)
   template <typename Dtype>
   Solver<Dtype>* Creator_##type##Solver(
       const SolverParameter& param)
   {
     return new type##Solver<Dtype>(param);
   }
   REGISTER_SOLVER_CREATOR(type, Creator_##type##Solver)
 }   

　　这样一个SGDSolver对象就调用其构造函数被构造出来了。

 explicit SGDSolver(const SolverParameter& param)
       : Solver<Dtype>(param) { PreSolve(); }

　　同时，Solver这个基类也被构造出来了，在solver.hpp里

 explicit Solver(const SolverParameter& param,
       const Solver* root_solver = NULL);

　　Solver构造函数又会调用Init进行训练网络和测试网络的初始化，Init函数没有被声明为虚函数，不能被覆写，也就是说所有的solver都调用这个函数进行初始化。

 template <typename Dtype>
 void Solver<Dtype>::Init(const SolverParameter& param) {
   ......
   // Scaffolding code
   InitTrainNet();//初始化训练网络
   if (Caffe::root_solver()) {
     InitTestNets();//初始化测试网络
     LOG(INFO) << "Solver scaffolding done.";
   }
   iter_ = ;//迭代次数设为0
   current_step_ = ;
 }

InitTrainNet()

　　接下来看训练网络初始化函数InitTrainNet，具体的内容见Net的网络层的构建(源码分析)

　　caffe是如何来solve的：在成员函数Solve()内部，

 template <typename Dtype>
 void Solver<Dtype>::Solve(const char* resume_file) {
   ......
   // For a network that is trained by the solver, no bottom or top vecs
   // should be given, and we will just provide dummy vecs.
   int start_iter = iter_;
   //开始迭代
   Step(param_.max_iter() - iter_);
   ......
 }

Step()

　　下面我们看一下Solver::Step()函数内部实现情况，具体的一次迭代过程。见Caffe参数交换源码分析

　　这就是整个网络的训练过程。