caffe中的各層實作，因為封裝了各種函數和為了擴充，在提升了效率的同時，降低了一定的代碼可讀性，這裡，為了更好地了解softmax以及caffe中前向傳播和反向傳播的原理，我用通俗易懂的代碼實作了SoftmaxWithLoss層（以下簡稱loss層），進行前向傳播和反向傳播，得到的訓練結果和内置的代碼結果是一樣的。
這裡定義batch_size為網絡輸入的批大小，label_num表示标簽的類别數。而loss層的輸入blob是兩個，一個是全連接配接層，次元是batch_size*label_num，一個是标簽層，次元是label_num*1，為了通俗易懂，我們舉個例子，比如mnist問題的lenLet網絡，是一個10類的分類問題（數字0~9），訓練時，每個batch大小為64，是以，這裡的batch_size=64，label_num=10。 這裡Softmax 層的各種原理，以及根據loss反向傳播時的梯度推導，因為這裡寫公式不友善，我就在word裡寫了，如下圖，
然後，貼代碼吧：
頭檔案：
#ifndef CAFFE_MY_LOSS_LAYER_HPP_
#define CAFFE_MY_LOSS_LAYER_HPP_
#include <vector>
#include "caffe/blob.hpp"
#include "caffe/layer.hpp"
#include "caffe/proto/caffe.pb.h"
#include "caffe/layers/loss_layer.hpp"
#include "caffe/layers/softmax_layer.hpp"
namespace caffe {
template <typename Dtype>
class MyLossLayer : public LossLayer<Dtype> {
public:
explicit MyLossLayer(const LayerParameter& param)
: LossLayer<Dtype>(param) {}
virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);
virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);
virtual inline const char* type() const { return "MyLoss"; }
virtual inline int ExactNumTopBlobs() const { return 1; }
virtual inline int MinTopBlobs() const { return 1; }
virtual inline int MaxTopBlobs() const { return 2; }
protected:
virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top);
virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
vector<vector<Dtype> > prob_; //儲存置信度
int label_num; //标簽個數
int batch_size; //批大小
};
} // namespace caffe
#endif // CAFFE_MY_LOSS_LAYER_HPP_
源檔案，反向傳播時，按照公式更新梯度就好了
#include <algorithm>
#include <cfloat>
#include <vector>
#include "caffe/layers/my_loss_layer.hpp"
#include "caffe/util/math_functions.hpp"
using namespace std;
namespace caffe {
template <typename Dtype>
void MyLossLayer<Dtype>::LayerSetUp(
const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
LossLayer<Dtype>::LayerSetUp(bottom, top);
}
template <typename Dtype>
void MyLossLayer<Dtype>::Reshape(
const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
LossLayer<Dtype>::Reshape(bottom, top);
this->label_num=bottom[0]->channels(); //标簽數 ，比如mnist為10
this->batch_size=bottom[0]->num(); //batch大小，比如mnist 一次輸入64個
this->prob_=vector<vector<Dtype> >(batch_size,vector<Dtype>(label_num,Dtype(0))); //置信度數組 64*10
}
template <typename Dtype>
void MyLossLayer<Dtype>::Forward_cpu(
const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
//為了避免數值問題，計算prob_時，先減最大值，再按照softmax公式計算各置信度
for(int i=0;i<batch_size;++i){
//求最大值，并減最大值
Dtype mmax=-10000000;
for(int j=0;j<label_num;++j)
mmax=max<Dtype>(mmax,bottom[0]->data_at(i,j,0,0));
for(int j=0;j<label_num;++j)
prob_[i][j]=bottom[0]->data_at(i,j,0,0)-mmax;
Dtype sum=0.0; //求出分母
for(int j=0;j<label_num;++j)
sum+=exp(prob_[i][j]);
for(int j=0;j<label_num;++j) //計算各個置信度
prob_[i][j]=exp(prob_[i][j])/sum;
}
//根據計算好的置信度，計算loss
Dtype loss=0.0;
const Dtype* label = bottom[1]->cpu_data(); //标簽數組 64
for(int i=0;i<batch_size;++i){
int realLabel=static_cast<int>(label[i]); //圖檔i的真實标簽
Dtype tmpProb=prob_[i][realLabel]; //屬于真實标簽的置信度
loss -= log(max<Dtype>(tmpProb,Dtype(FLT_MIN))); //防止資料溢出問題
}
top[0]->mutable_cpu_data()[0] = loss / batch_size;
}
//反向傳播，計算梯度
template <typename Dtype>
void MyLossLayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom) {
if (propagate_down[0]) {
Dtype* bottom_diff = bottom[0]->mutable_cpu_diff();
const Dtype* label = bottom[1]->cpu_data(); //标簽
for(int i=0;i<batch_size;++i){
int realLabel=static_cast<int>(label[i]); //圖檔i的真實标簽
for(int j=0;j<label_num;++j){
int offset=bottom[0]->offset(i,j);
if(j==realLabel) //按照公式，如果分量就是真實标簽，直接在置信度上減去1，就得到該分量的梯度
bottom_diff[offset]=prob_[i][j]-1;
else //否則，梯度等于置信度
bottom_diff[offset]=prob_[i][j];
}
}
for(int i=0;i<bottom[0]->count();++i) //梯度歸一化，除以batch大小
bottom_diff[i]/=batch_size;
}
}
INSTANTIATE_CLASS(MyLossLayer);
REGISTER_LAYER_CLASS(MyLoss);
} // namespace caffe
編譯好後，用mnist的資料跑一下試試：
layer {
name: "my_loss"
type: "MyLoss"
bottom: "ip2"
bottom: "label"
top: "my_loss"
}
最後結果：
