這一層比較簡單：主要就是求絕對值，反傳部分的代碼也很簡單
里頭用到了caffe_abs這個函數以及caffe_cpu_sign這兩個函數
需要注意的是caffe_cpu_sign在math_functions.hpp里頭定義得比較特別
在math_functions.hpp里只有caffe_sign，通過一個宏定義生成了caffe_cpu_sign這個函數
整體來說沒啥特別的內容，直接上代碼吧。
[cpp] view plain copy
#include <vector> #include "caffe/layers/absval_layer.hpp" #include "caffe/util/math_functions.hpp" namespace caffe { template <typename Dtype> void AbsValLayer<Dtype>::LayerSetUp(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) { NeuronLayer<Dtype>::LayerSetUp(bottom, top); CHECK_NE(top[0], bottom[0]) << this->type() << " Layer does not " "allow in-place computation."; } template <typename Dtype> void AbsValLayer<Dtype>::Forward_cpu( const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) { const int count = top[0]->count(); Dtype* top_data = top[0]->mutable_cpu_data(); caffe_abs(count, bottom[0]->cpu_data(), top_data); } template <typename Dtype> void AbsValLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top, const vector<bool>& PRopagate_down, const vector<Blob<Dtype>*>& bottom) { const int count = top[0]->count(); // 前面一層關于本層top的偏導 const Dtype* top_diff = top[0]->cpu_diff(); if (propagate_down[0]) { const Dtype* bottom_data = bottom[0]->cpu_data(); Dtype* bottom_diff = bottom[0]->mutable_cpu_diff(); // 將bottom_data里頭的每個元素的正負值復制到bottom_diff caffe_cpu_sign(count, bottom_data, bottom_diff); // 計算偏導數計算關于本層bottom的偏導 // 將關于top的偏導乘以當前層bottom中每個數據的符號 caffe_mul(count, bottom_diff, top_diff, bottom_diff); } } #ifdef CPU_ONLY STUB_GPU(AbsValLayer); #endif INSTANTIATE_CLASS(AbsValLayer); REGISTER_LAYER_CLASS(AbsVal); } // namespace caffe 新聞熱點
疑難解答
