Caffe

背景 # 2022年惊讶的发现，当时竟然没有写关于softmax的笔记，因此来补充一下。

caffe做部署是YYDS! blob layer net 激活函数 卷积 reshape slice loss function reduce eltwise argmax

背景 # 似乎没什么背景，继续看 caffe 代码。

背景 # 这个 layer 和 reduce layer 有一些相似，就干脆一起看了。 作用是输入至少两个 blob，然后对每个 blob 中的元素做一些运算，最后得到一个 blob。

背景 # 其实没什么背景，继续啃 caffe 代码而已 2333。

背景 # 虽然不太care 训练的过程，但是由于容易看懂的layer都看得差不多了 所以打算看一下这些loss function.

背景　# OCR 组那边有个 shufflenet 的网络，里面有个 pytorch op 叫 chunk，转成的 onnx 对应的 op 是 split。

背景　# 最近在魔改 TensorRT 的 caffe parser。 之前 caffe 模型转到 trt 模型时，有一个修改需要将 reshape layer 的 param 末尾补 1，比较繁琐，于是看了下 caffe 的 reshape layer 的实现。

caffe中卷积运算的实现 # 暴力实现的卷积大概是这样子的

在看过 caffe 代码的三个核心部分 blob、layer、net 之后，陷入了不知道以什么顺序继续看的困境。

Net 基本介绍 # 网络通过组合与自动微分，共同定义一个函数及其梯度。

layer 整体介绍 # layer 是模型计算的基本单元， 类似于 pytorch 或者其他深度学习框架的 op。 layer 中的数据流向为：输入若干个 blob，称之为 “bottom blob”，经过 layer 的计算后，输出若干个 blob，称之为 “top blob”。

迫于生计，开始看 caffe 代码。 会侧重于分析 inference 部分。 整体的依赖关系是：Net 由 Layer 组成，Layer 之间通过 Blob 传递数据。后面几篇会分别展开这三者。

接触 Eigen 的原因是最近在看 caffe/caffe2 源码，caffe2 中使用了 Eigen 库。Eigen 是一个基于 C++ 模板的线性代数库，直接将库下载后放在项目目录下，然后包含头文件就能使用，非常方便。对于 Linux 用户，只需要把头文件放到 /usr/include 下即可。此外，Eigen 的接口清晰，稳定高效。