梳理caffe代码math_functions
Posted langb2014
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了梳理caffe代码math_functions相关的知识,希望对你有一定的参考价值。
先从caffe中使用的函数入手看看:
#include <boost/math/special_functions/next.hpp> #include <boost/random.hpp> #include <limits> #include "caffe/common.hpp" #include "caffe/util/math_functions.hpp" #include "caffe/util/rng.hpp" namespace caffe { //math_function 定义了caffe 中用到的一些矩阵操作和数值计算的一些函数 /* *功能: C=alpha*A*B+beta*C *A,B,C 是输入矩阵(一维数组格式) *CblasRowMajor :数据是行主序的(二维数据也是用一维数组储存的) *TransA, TransB:是否要对A和B做转置操作(CblasTrans CblasNoTrans) *M: A、C 的行数 *N: B、C 的列数 *K: A 的列数, B 的行数 *lda : A的列数(不做转置)行数(做转置) *ldb: B的列数(不做转置)行数(做转置) */ template<> void caffe_cpu_gemm<float>(const CBLAS_TRANSPOSE TransA, const CBLAS_TRANSPOSE TransB, const int M, const int N, const int K, const float alpha, const float* A, const float* B, const float beta, float* C) { int lda = (TransA == CblasNoTrans) ? K : M; int ldb = (TransB == CblasNoTrans) ? N : K; cblas_sgemm(CblasRowMajor, TransA, TransB, M, N, K, alpha, A, lda, B, ldb, beta, C, N); } /*计算矩阵乘法的函数之一是 cblas_sgemm,使用单精度实数,另外还有对应双精度实数, 单精度复数和双精度复数的函数。在此以 cblas_sgemm为例。 函数定义为: void cblas_sgemm(const enum CBLAS_ORDER Order, const enum CBLAS_TRANSPOSE TransA, const enum CBLAS_TRANSPOSE TransB, const int M, const int N, const int K, const float alpha, const float *A, const int lda, const float *B, const int ldb, const float beta, float *C, const int ldc) 得到的结果是: C = alpha*op( A )*op( B ) + beta*C const enum CBLAS_ORDER Order,这是指的数据的存储形式,在CBLAS的函数中无论一维还是二维数据 都是用一维数组存储,这就要涉及是行主序还是列主序,在C语言中数组是用 行主序,fortran中是列 主序。我还是习惯于是用行主序,所以这个参数是用CblasRowMajor,如果是列主序的话就是 CblasColMajor。 const int M,矩阵A的行,矩阵C的行 const int N,矩阵B的列,矩阵C的列 const int K,矩阵A的列,矩阵B的行 const float alpha, const float beta,计算公式中的两个参数值,如果只是计算C=A*B,则alpha=1,beta=0 const float *A, const float *B, const float *C,矩阵ABC的数据 const int lda, const int ldb, const int ldc,在BLAS的文档里,这三个参数分别为ABC的行数, 但是实际使用发现,在CBLAS里应该是列数。 */ template<> void caffe_cpu_gemm<double>(const CBLAS_TRANSPOSE TransA, const CBLAS_TRANSPOSE TransB, const int M, const int N, const int K, const double alpha, const double* A, const double* B, const double beta, double* C) { int lda = (TransA == CblasNoTrans) ? K : M; int ldb = (TransB == CblasNoTrans) ? N : K; cblas_dgemm(CblasRowMajor, TransA, TransB, M, N, K, alpha, A, lda, B, ldb, beta, C, N); } /* 功能: y=alpha*A*x+beta*y 其中X和Y是向量,A 是矩阵 M:A 的行数 N:A 的列数 cblas_sgemv 中的 参数1 表示对X和Y的每个元素都进行操作 */ template <> void caffe_cpu_gemv<float>(const CBLAS_TRANSPOSE TransA, const int M, const int N, const float alpha, const float* A, const float* x, const float beta, float* y) { cblas_sgemv(CblasRowMajor, TransA, M, N, alpha, A, N, x, 1, beta, y, 1); } template <> void caffe_cpu_gemv<double>(const CBLAS_TRANSPOSE TransA, const int M, const int N, const double alpha, const double* A, const double* x, const double beta, double* y) { cblas_dgemv(CblasRowMajor, TransA, M, N, alpha, A, N, x, 1, beta, y, 1); } /* 功能: Y=alpha*X+Y N:为X和Y中element的个数 */ template <> void caffe_axpy<float>(const int N, const float alpha, const float* X, float* Y) { cblas_saxpy(N, alpha, X, 1, Y, 1); } template <> void caffe_axpy<double>(const int N, const double alpha, const double* X, double* Y) { cblas_daxpy(N, alpha, X, 1, Y, 1); } /* 功能:用常数 alpha 对 Y 进行初始化 函数 void *memset(void *buffer, char c, unsigned count) 一般为新申请的内存做初始化, 功能是将buffer所指向内存中的每个字节的内容全部设置为c指定的ASCII值, count为块的大小, 使用memset函数来初始化数组或者结构体比其他初始化方法更快一点 */ template <typename Dtype> void caffe_set(const int N, const Dtype alpha, Dtype* Y) { if (alpha == 0) { memset(Y, 0, sizeof(Dtype) * N); // NOLINT(caffe/alt_fn) return; } for (int i = 0; i < N; ++i) { Y[i] = alpha; } } template void caffe_set<int>(const int N, const int alpha, int* Y); template void caffe_set<float>(const int N, const float alpha, float* Y); template void caffe_set<double>(const int N, const double alpha, double* Y); //功能: 给 Y 的每个 element 加上常数 alpha template <> void caffe_add_scalar(const int N, const float alpha, float* Y) { for (int i = 0; i < N; ++i) { Y[i] += alpha; } } template <> void caffe_add_scalar(const int N, const double alpha, double* Y) { for (int i = 0; i < N; ++i) { Y[i] += alpha; } } /* 函数 void *memcpy(void *dest, void *src, unsigned int count) 把src所指向 的内存区域 copy到dest所指向的内存区域, count为块的大小 表头文件: #include <string.h> 定义函数: void *memcpy(void *dest, const void *src, size_t n) 函数说明: memcpy()用来拷贝src所指的内存内容前n个字节到dest所指的内存地址上。与strcpy()不同的是,memcpy()会完整的复制n个字节,不会因为遇到字符串结束'\0'而结束 返回值: 返回指向dest的指针 */ template <typename Dtype> void caffe_copy(const int N, const Dtype* X, Dtype* Y) { if (X != Y) { if (Caffe::mode() == Caffe::GPU) { #ifndef CPU_ONLY // NOLINT_NEXT_LINE(caffe/alt_fn) CUDA_CHECK(cudaMemcpy(Y, X, sizeof(Dtype) * N, cudaMemcpyDefault)); #else NO_GPU; #endif } else { memcpy(Y, X, sizeof(Dtype) * N); // NOLINT(caffe/alt_fn) } } } template void caffe_copy<int>(const int N, const int* X, int* Y); template void caffe_copy<unsigned int>(const int N, const unsigned int* X, unsigned int* Y); template void caffe_copy<float>(const int N, const float* X, float* Y); template void caffe_copy<double>(const int N, const double* X, double* Y); /* 功能:X = alpha*X N: X中element的个数 */ template <> void caffe_scal<float>(const int N, const float alpha, float *X) { cblas_sscal(N, alpha, X, 1); } template <> void caffe_scal<double>(const int N, const double alpha, double *X) { cblas_dscal(N, alpha, X, 1); } /* 功能:Y= alpha*X+beta*Y */ template <> void caffe_cpu_axpby<float>(const int N, const float alpha, const float* X, const float beta, float* Y) { cblas_saxpby(N, alpha, X, 1, beta, Y, 1); } template <> void caffe_cpu_axpby<double>(const int N, const double alpha, const double* X, const double beta, double* Y) { cblas_daxpby(N, alpha, X, 1, beta, Y, 1); } /* 功能:这四个函数分别实现element-wise的加减乘除(y[i] = a[i] + - * \ b[i]) */ template <> void caffe_add<float>(const int n, const float* a, const float* b, float* y) { vsAdd(n, a, b, y); } template <> void caffe_add<double>(const int n, const double* a, const double* b, double* y) { vdAdd(n, a, b, y); } template <> void caffe_sub<float>(const int n, const float* a, const float* b, float* y) { vsSub(n, a, b, y); } template <> void caffe_sub<double>(const int n, const double* a, const double* b, double* y) { vdSub(n, a, b, y); } template <> void caffe_mul<float>(const int n, const float* a, const float* b, float* y) { vsMul(n, a, b, y); } template <> void caffe_mul<double>(const int n, const double* a, const double* b, double* y) { vdMul(n, a, b, y); } template <> void caffe_div<float>(const int n, const float* a, const float* b, float* y) { vsDiv(n, a, b, y); } template <> void caffe_div<double>(const int n, const double* a, const double* b, double* y) { vdDiv(n, a, b, y); } /* 功能 : 同样是element-wise操作,分别是y[i] = a[i] ^ b, y[i] = a[i]^2,y[i] = exp(a[i] ),y[i] = |a[i] | */ template <> void caffe_powx<float>(const int n, const float* a, const float b, float* y) { vsPowx(n, a, b, y); } template <> void caffe_powx<double>(const int n, const double* a, const double b, double* y) { vdPowx(n, a, b, y); } template <> void caffe_sqr<float>(const int n, const float* a, float* y) { vsSqr(n, a, y); } template <> void caffe_sqr<double>(const int n, const double* a, double* y) { vdSqr(n, a, y); } template <> void caffe_exp<float>(const int n, const float* a, float* y) { vsExp(n, a, y); } template <> void caffe_exp<double>(const int n, const double* a, double* y) { vdExp(n, a, y); } template <> void caffe_log<float>(const int n, const float* a, float* y) { vsLn(n, a, y); } template <> void caffe_log<double>(const int n, const double* a, double* y) { vdLn(n, a, y); } template <> void caffe_abs<float>(const int n, const float* a, float* y) { vsAbs(n, a, y); } template <> void caffe_abs<double>(const int n, const double* a, double* y) { vdAbs(n, a, y); } /* 功能:返回一个随机数 */ unsigned int caffe_rng_rand() { return (*caffe_rng())(); } /* 功能 : 返回 b 最大方向上可以表示的最接近的数值。 */ template <typename Dtype> Dtype caffe_nextafter(const Dtype b) { return boost::math::nextafter<Dtype>( b, std::numeric_limits<Dtype>::max()); } template float caffe_nextafter(const float b); template double caffe_nextafter(const double b); template <typename Dtype> void caffe_rng_uniform(const int n, const Dtype a, const Dtype b, Dtype* r) { CHECK_GE(n, 0); CHECK(r); CHECK_LE(a, b); boost::uniform_real<Dtype> random_distribution(a, caffe_nextafter<Dtype>(b)); boost::variate_generator<caffe::rng_t*, boost::uniform_real<Dtype> > variate_generator(caffe_rng(), random_distribution); for (int i = 0; i < n; ++i) { r[i] = variate_generator(); } } template void caffe_rng_uniform<float>(const int n, const float a, const float b, float* r); template void caffe_rng_uniform<double>(const int n, const double a, const double b, double* r); template <typename Dtype> void caffe_rng_gaussian(const int n, const Dtype a, const Dtype sigma, Dtype* r) { CHECK_GE(n, 0); CHECK(r); CHECK_GT(sigma, 0); boost::normal_distribution<Dtype> random_distribution(a, sigma); boost::variate_generator<caffe::rng_t*, boost::normal_distribution<Dtype> > variate_generator(caffe_rng(), random_distribution); for (int i = 0; i < n; ++i) { r[i] = variate_generator(); } } template void caffe_rng_gaussian<float>(const int n, const float mu, const float sigma, float* r); template void caffe_rng_gaussian<double>(const int n, const double mu, const double sigma, double* r); template <typename Dtype> void caffe_rng_bernoulli(const int n, const Dtype p, int* r) { CHECK_GE(n, 0); CHECK(r); CHECK_GE(p, 0); CHECK_LE(p, 1); boost::bernoulli_distribution<Dtype> random_distribution(p); boost::variate_generator<caffe::rng_t*, boost::bernoulli_distribution<Dtype> > variate_generator(caffe_rng(), random_distribution); for (int i = 0; i < n; ++i) { r[i] = variate_generator(); } } template void caffe_rng_bernoulli<double>(const int n, const double p, int* r); template void caffe_rng_bernoulli<float>(const int n, const float p, int* r); template <typename Dtype> void caffe_rng_bernoulli(const int n, const Dtype p, unsigned int* r) { CHECK_GE(n, 0); CHECK(r); CHECK_GE(p, 0); CHECK_LE(p, 1); boost::bernoulli_distribution<Dtype> random_distribution(p); boost::variate_generator<caffe::rng_t*, boost::bernoulli_distribution<Dtype> > variate_generator(caffe_rng(), random_distribution); for (int i = 0; i < n; ++i) { r[i] = static_cast<unsigned int>(variate_generator()); } } template void caffe_rng_bernoulli<double>(const int n, const double p, unsigned int* r); template void caffe_rng_bernoulli<float>(const int n, const float p, unsigned int* r); template <> float caffe_cpu_strided_dot<float>(const int n, const float* x, const int incx, const float* y, const int incy) { return cblas_sdot(n, x, incx, y, incy); } /* 功能: 返回 vector X 和 vector Y 的内积。 incx, incy : 步长,即每隔incx 或 incy 个element 进行操作。 */ template <> double caffe_cpu_strided_dot<double>(const int n, const double* x, const int incx, const double* y, const int incy) { return cblas_ddot(n, x, incx, y, incy); } template <typename Dtype> Dtype caffe_cpu_dot(const int n, const Dtype* x, const Dtype* y) { return caffe_cpu_strided_dot(n, x, 1, y, 1); } template float caffe_cpu_dot<float>(const int n, const float* x, const float* y); template double caffe_cpu_dot<double>(const int n, const double* x, const double* y); /* 功能:返回 x 和 y 之间的海明距离。(两个等长字符串之间的海明距离 是两个字符串对应位置的不同字符的个数。) */ template <> int caffe_cpu_hamming_distance<float>(const int n, const float* x, const float* y) { int dist = 0; for (int i = 0; i < n; ++i) { dist += __builtin_popcount(static_cast<uint32_t>(x[i]) ^ static_cast<uint32_t>(y[i])); } return dist; } template <> int caffe_cpu_hamming_distance<double>(const int n, const double* x, const double* y) { int dist = 0; for (int i = 0; i < n; ++i) { dist += __builtin_popcountl(static_cast<uint64_t>(x[i]) ^ static_cast<uint64_t>(y[i])); } return dist; } /* 功能:计算 vector x 的所有element的绝对值之和。 */ template <> float caffe_cpu_asum<float>(const int n, const float* x) { return cblas_sasum(n, x, 1); } template <> double caffe_cpu_asum<double>(const int n, const double* x) { return cblas_dasum(n, x, 1); } template <> void caffe_cpu_scale<float>(const int n, const float alpha, const float *x, float* y) { cblas_scopy(n, x, 1, y, 1); cblas_sscal(n, alpha, y, 1); } template <> void caffe_cpu_scale<double>(const int n, const double alpha, const double *x, double* y) { cblas_dcopy(n, x, 1, y, 1); cblas_dscal(n, alpha, y, 1); } } // namespace caffe
看一下cuda的设计技巧:
在common.hpp中用到一个宏定义CUDA_KERNEL_LOOP
#defineCUDA_KERNEL_LOOP(i,n) \for(inti = blockIdx.x * blockDim.x + threadIdx.x;i < (n);i +=blockDim.x * gridDim.x)
先看看caffe采取的线程格和线程块的维数设计,还是从common.hpp可以看到
CAFFE_CUDA_NUM_THREADS
CAFFE_GET_BLOCKS(constintN)
明显都是一维的。
整理一下CUDA_KERNEL_LOOP格式看看,
for(inti = blockIdx.x * blockDim.x + threadIdx.x;i< (n);i+= blockDim.x * gridDim.x)
blockDim.x* gridDim.x表示的是该线程格所有线程的数量。
n表示核函数总共要处理的元素个数。
有时候,n会大于blockDim.x* gridDim.x,因此并不能一个线程处理一个元素。
由此通过上面的方法,让一个线程串行(for循环)处理几个元素。
再来看一下这个核函数的实现。
template<typename Dtype>
__global__void mul_kernel(const int n, const Dtype* a,
constDtype* b, Dtype* y)
{
CUDA_KERNEL_LOOP(index,n)
{
y[index]= a[index] * b[index];
}
}
就是算两个向量的点积了。由于向量的维数可能大于该kernel函数线程格的总线程数量。
以上是关于梳理caffe代码math_functions的主要内容,如果未能解决你的问题,请参考以下文章