文件路徑：caffe-master_github/include/caffe/

Backward函數：

template <typename Dtype> inline void Layer<Dtype>::Backward(const vector<Blob<Dtype>*>& top,const vector<bool>& propagate_down,const vector<Blob<Dtype>*>& bottom) {switch (Caffe::mode()) {case Caffe::CPU: /*根據blob top 的error 梯度（diff）計算bottom 的 error 梯度。 propagate_down 是長度 和bottom 相同的vector ，用于控制是否需要對對應的bottom 元素傳播梯度。具體layer具體定義。*/Backward_cpu(top, propagate_down, bottom);break;case Caffe::GPU:Backward_gpu(top, propagate_down, bottom);break;default:LOG(FATAL) << "Unknown caffe mode.";} }

SetLossWeights函數：

inline void SetLossWeights(const vector<Blob<Dtype>*>& top) {const int num_loss_weights = layer_param_.loss_weight_size();if (num_loss_weights) {CHECK_EQ(top.size(), num_loss_weights) << "loss_weight must be ""unspecified or specified once per top blob.";for (int top_id = 0; top_id < top.size(); ++top_id) {const Dtype loss_weight = layer_param_.loss_weight(top_id);if (loss_weight == Dtype(0)) { continue; }this->set_loss(top_id, loss_weight);const int count = top[top_id]->count();Dtype* loss_multiplier = top[top_id]->mutable_cpu_diff();caffe_set(count, loss_weight, loss_multiplier); //將loss_multiplier設為loss_weight}}}

loss_weight分析：
loss_weight一般只對帶有loss的層有意義。一個網絡可以有多個loss層，而且每個loss層可以計算多個loss（每個loss放在單獨的top blob中，這種情況在caffe中沒出現過，caffe的loss層一般只有一個loss，放在top[0]對應的blob里）。整個網絡的損失就是這些loss的和，loss_weight指的就是求和過程中每個loss的權重，可以在定義layer的時候加上loss_weight這個參數來指定，設置的時候該層loss_weight的個數需要與top的個數相同，否則就不設置。默認情況下，普通層沒有loss_weight, loss層的loss_weight為1。
對于caffe中的loss層，計算出的loss放在top[0]指向的blob里，該blob里的diff存放的就是loss對應的loss_weight，傳遞過程在Layer的SetUp里通過調用SetLossWeights(top)完成

總結

以上是生活随笔為你收集整理的caffe源码分析:layer.hpp分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。