在caffe中，Blob类实现的源码位于caffe根目录下的src/caffe/路径中的blob.cpp文件中，本文对这个文件进行详细解读。
2
3
4
5
6
7
8
2#include <vector>
3
4#include "caffe/blob.hpp"
5#include "caffe/common.hpp"
6#include "caffe/syncedmem.hpp"
7#include "caffe/util/math_functions.hpp"
8
这几行代码是blob.cpp文件包含的头文件。
2
2
这一行定义caffe命名空间
2
3
4
5
6
7
8
9
10
11
2void Blob<Dtype>::Reshape(const int num, const int channels, const int height,
3 const int width) {
4 vector<int> shape(4);
5 shape[0] = num;
6 shape[1] = channels;
7 shape[2] = height;
8 shape[3] = width;
9 Reshape(shape);
10}
11
这个函数的是Blob的变形函数，使用num、channels、height、width这四个维度信息对Blob进行变形。在函数中，将这四个维度信息保存到shape向量中，根据shape向量来改变Blob形状。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
2void Blob<Dtype>::Reshape(const vector<int>& shape) {
3 CHECK_LE(shape.size(), kMaxBlobAxes);
4 count_ = 1;
5 shape_.resize(shape.size());
6 if (!shape_data_ || shape_data_->size() < shape.size() * sizeof(int)) {
7 shape_data_.reset(new SyncedMemory(shape.size() * sizeof(int)));
8 }
9 int* shape_data = static_cast<int*>(shape_data_->mutable_cpu_data());
10 for (int i = 0; i < shape.size(); ++i) {
11 CHECK_GE(shape[i], 0);
12 if (count_ != 0) {
13 CHECK_LE(shape[i], INT_MAX / count_) << "blob size exceeds INT_MAX";
14 }
15 count_ *= shape[i];
16 shape_[i] = shape[i];
17 shape_data[i] = shape[i];
18 }
19 if (count_ > capacity_) {
20 capacity_ = count_;
21 data_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));
22 diff_.reset(new SyncedMemory(capacity_ * sizeof(Dtype)));
23 }
24}
25
这个函数是Reshape函数的落实函数，通过shape向量来改变Blob的形状。在这个函数中，还对类的成员函数进行赋值，为数据分配内存空间。
函数中先是判断shape的尺寸是否小于或等于最大的Blob尺寸，然后将成员变量shape_的尺寸赋值为shape的尺寸。
接下来shape_data_.reset(new SyncedMemory(shape.size() * sizeof(int)));为shape_data_分配内存空间。int* shape_data = static_cast<int*>(shape_data_->mutable_cpu_data());的作用是定义一个指向shape_data_的指针shape_data。
接下来在一个for循环中，对shape的每个维度进行遍历，先判断每个shape[i]是否大于等于0，然后判断shape[i]是否小于允许的最大值（即整数的最大值/count_），然后将每个shape[i]累乘到count_上，并将shape[i]赋值给shape_[i]，再将shape[i]赋值给shape_data指向的内存空间数据。
在函数的最后，判断Blob的元素数量count_是否大于Blob的容量capacity_。如果大于，将容量修改为与元素数相等，最后为data_和diff_分配内存空间。
2
3
4
5
6
7
8
9
10
2void Blob<Dtype>::Reshape(const BlobShape& shape) {
3 CHECK_LE(shape.dim_size(), kMaxBlobAxes);
4 vector<int> shape_vec(shape.dim_size());
5 for (int i = 0; i < shape.dim_size(); ++i) {
6 shape_vec[i] = shape.dim(i);
7 }
8 Reshape(shape_vec);
9}
10
上面这个函数也是一个Reshape函数，它的输入为BlobShape类型变量shape，在函数中，先判断shape的维度数是否小于等于最大的维度数。然后将shape每个维度的尺寸赋值给shape_vec向量，并依据shape_vec来调用相应的Reshape函数来改变blob的形状。
2
3
4
5
2void Blob<Dtype>::ReshapeLike(const Blob<Dtype>& other) {
3 Reshape(other.shape());
4}
5
上面这个函数的作用是将本类的Blob尺寸改变为与other相同的尺寸，函数中调用Reshape函数实现。
2
3
4
5
6
7
8
2Blob<Dtype>::Blob(const int num, const int channels, const int height,
3 const int width)
4 // capacity_ must be initialized before calling Reshape
5 : capacity_(0) {
6 Reshape(num, channels, height, width);
7}
8
这个函数是Blob的构造函数，输入为num、channels、height、width这四个维度信息，调用Reshape函数来实现。
2
3
4
5
6
7
2Blob<Dtype>::Blob(const vector<int>& shape)
3 // capacity_ must be initialized before calling Reshape
4 : capacity_(0) {
5 Reshape(shape);
6}
7
这个函数是Blob的另一个构造函数，它的输入为shape向量。
2
3
4
5
6
2const int* Blob<Dtype>::gpu_shape() const {
3 CHECK(shape_data_);
4 return (const int*)shape_data_->gpu_data();
5}
6
这个函数是读取gpu_shape地址的函数，函数返回指向shape_data_的指针。
2
3
4
5
6
2const Dtype* Blob<Dtype>::cpu_data() const {
3 CHECK(data_);
4 return (const Dtype*)data_->cpu_data();
5}
6
这个函数返回指向cpu_data的指针。
2
3
4
5
6
7
8
9
10
11
12
2void Blob<Dtype>::set_cpu_data(Dtype* data) {
3 CHECK(data);
4 // Make sure CPU and GPU sizes remain equal
5 size_t size = count_ * sizeof(Dtype);
6 if (data_->size() != size) {
7 data_.reset(new SyncedMemory(size));
8 diff_.reset(new SyncedMemory(size));
9 }
10 data_->set_cpu_data(data);
11}
12
这个函数用来设置cpu_data，用data指向的数据替代data_所指向的cpu数据。
2
3
4
5
6
2const Dtype* Blob<Dtype>::gpu_data() const {
3 CHECK(data_);
4 return (const Dtype*)data_->gpu_data();
5}
6
这个函数返回指向gpu_data的指针。
2
3
4
5
6
7
8
9
10
11
12
2void Blob<Dtype>::set_gpu_data(Dtype* data) {
3 CHECK(data);
4 // Make sure CPU and GPU sizes remain equal
5 size_t size = count_ * sizeof(Dtype);
6 if (data_->size() != size) {
7 data_.reset(new SyncedMemory(size));
8 diff_.reset(new SyncedMemory(size));
9 }
10 data_->set_gpu_data(data);
11}
12
这个函数用来设置gpu_data，用data指向的数据替代data_所指向的gpu数据。
2
3
4
5
6
2const Dtype* Blob<Dtype>::cpu_diff() const {
3 CHECK(diff_);
4 return (const Dtype*)diff_->cpu_data();
5}
6
这个函数返回指向cpu_diff的指针。
2
3
4
5
6
2const Dtype* Blob<Dtype>::gpu_diff() const {
3 CHECK(diff_);
4 return (const Dtype*)diff_->gpu_data();
5}
6
这个函数返回指向gpu_diff的指针。
2
3
4
5
6
2Dtype* Blob<Dtype>::mutable_cpu_data() {
3 CHECK(data_);
4 return static_cast<Dtype*>(data_->mutable_cpu_data());
5}
6
这个函数返回指向可以读写的cpu_data的指针。
2
3
4
5
6
2Dtype* Blob<Dtype>::mutable_gpu_data() {
3 CHECK(data_);
4 return static_cast<Dtype*>(data_->mutable_gpu_data());
5}
6
这个函数返回指向可以读写的gpu_data的指针。
2
3
4
5
6
7
2Dtype* Blob<Dtype>::mutable_cpu_diff() {
3 CHECK(diff_);
4 return static_cast<Dtype*>(diff_->mutable_cpu_data());
5}
6
7
这个函数返回指向可以读写的cpu_diff的指针。
2
3
4
5
6
2Dtype* Blob<Dtype>::mutable_gpu_diff() {
3 CHECK(diff_);
4 return static_cast<Dtype*>(diff_->mutable_gpu_data());
5}
6
这个函数返回指向可以读写的gpu_diff的指针。
2
3
4
5
6
7
2void Blob<Dtype>::ShareData(const Blob& other) {
3 CHECK_EQ(count_, other.count());
4 data_ = other.data();
5}
6
7
这个函数的作用是分享另一个Blob的数据data，在函数中如果other与本类Blob的元素数相等，则将other中的data复制到data_中。
2
3
4
5
6
2void Blob<Dtype>::ShareDiff(const Blob& other) {
3 CHECK_EQ(count_, other.count());
4 diff_ = other.diff();
5}
6
这个函数的作用是分享另一个Blob的数据diff，在函数中，如果other与本类Blob的元素数相等，则将other中的diff复制到diff_中。
2
3
4
2template <> void Blob<int>::Update() { NOT_IMPLEMENTED; }
3
4
这两行声明了两个Blob的更新函数。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
2void Blob<Dtype>::Update() {
3 // We will perform update based on where the data is located.
4 switch (data_->head()) {
5 case SyncedMemory::HEAD_AT_CPU:
6 // perform computation on CPU
7 caffe_axpy<Dtype>(count_, Dtype(-1),
8 static_cast<const Dtype*>(diff_->cpu_data()),
9 static_cast<Dtype*>(data_->mutable_cpu_data()));
10 break;
11 case SyncedMemory::HEAD_AT_GPU:
12 case SyncedMemory::SYNCED:
13#ifndef CPU_ONLY
14 // perform computation on GPU
15 caffe_gpu_axpy<Dtype>(count_, Dtype(-1),
16 static_cast<const Dtype*>(diff_->gpu_data()),
17 static_cast<Dtype*>(data_->mutable_gpu_data()));
18#else
19 NO_GPU;
20#endif
21 break;
22 default:
23 LOG(FATAL) << "Syncedmem not initialized.";
24 }
25}
26
这个函数是更新函数Update的详细定义。首先通过一个switch语句判断data_位于哪里，如果在CPU中，则调用caffe_axpy函数计算法diff_和data_各元素的和。如果数据在GPU或者在CPU和GPU中同步，则调用caffe_gpu_axpy来计算diff_和data_各元素的和。需要注意的是，如果caffe编译时使能了CPU_ONLY选项，则不进行GPU相关的计算。其中caffe_axpy和caffe_gpu_axpy函数在math_functions.hpp文件中定义，这个文件位于caffe根目录下的include/caffe/util/路径中，有兴趣可以自己研究一下这个函数的实现过程。
2
3
4
5
6
7
8
9
10
2 NOT_IMPLEMENTED;
3 return 0;
4}
5
6template <> int Blob<int>::asum_data() const {
7 NOT_IMPLEMENTED;
8 return 0;
9}
10
这几行代码，声明了两个计算data元素绝对值和（L1范数）的函数。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
2Dtype Blob<Dtype>::asum_data() const {
3 if (!data_) { return 0; }
4 switch (data_->head()) {
5 case SyncedMemory::HEAD_AT_CPU:
6 return caffe_cpu_asum(count_, cpu_data());
7 case SyncedMemory::HEAD_AT_GPU:
8 case SyncedMemory::SYNCED:
9#ifndef CPU_ONLY
10 {
11 Dtype asum;
12 caffe_gpu_asum(count_, gpu_data(), &asum);
13 return asum;
14 }
15#else
16 NO_GPU;
17#endif
18 case SyncedMemory::UNINITIALIZED:
19 return 0;
20 default:
21 LOG(FATAL) << "Unknown SyncedMemory head state: " << data_->head();
22 }
23 return 0;
24}
25
26
上面的函数是计算data元素绝对值和的详细定义。这个函数使用的方法与更新函数类似，也是使用一个switch语句判断data_位于哪里，如果在CPU中，则调用caffe_cpu_asum函数计算法data_各元素的绝对值和。如果数据在GPU或者在CPU和GPU中同步，则调用caffe_gpu_asum函数计算法data_各元素的绝对值和。如果caffe编译时使能了CPU_ONLY选项，则不进行GPU相关的计算。其中，caffe_cpu_asum和caffe_gpu_asum函数也是在math_functions.hpp文件中定义。
2
3
4
5
6
7
8
9
10
2 NOT_IMPLEMENTED;
3 return 0;
4}
5
6template <> int Blob<int>::asum_diff() const {
7 NOT_IMPLEMENTED;
8 return 0;
9}
10
这几行代码，声明了两个计算diff元素绝对值和（L1范数）的函数。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
2Dtype Blob<Dtype>::asum_diff() const {
3 if (!diff_) { return 0; }
4 switch (diff_->head()) {
5 case SyncedMemory::HEAD_AT_CPU:
6 return caffe_cpu_asum(count_, cpu_diff());
7 case SyncedMemory::HEAD_AT_GPU:
8 case SyncedMemory::SYNCED:
9#ifndef CPU_ONLY
10 {
11 Dtype asum;
12 caffe_gpu_asum(count_, gpu_diff(), &asum);
13 return asum;
14 }
15#else
16 NO_GPU;
17#endif
18 case SyncedMemory::UNINITIALIZED:
19 return 0;
20 default:
21 LOG(FATAL) << "Unknown SyncedMemory head state: " << diff_->head();
22 }
23 return 0;
24}
25
上面的函数是计算diff元素绝对值和的详细定义。与计算data元素绝对值和的函数实现是完全一样的，大家可以自行分析。
2
3
4
5
6
7
8
9
10
2 NOT_IMPLEMENTED;
3 return 0;
4}
5
6template <> int Blob<int>::sumsq_data() const {
7 NOT_IMPLEMENTED;
8 return 0;
9}
10
这几行代码，声明了两个计算data元素平方和（L2范数）的函数。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
2Dtype Blob<Dtype>::sumsq_data() const {
3 Dtype sumsq;
4 const Dtype* data;
5 if (!data_) { return 0; }
6 switch (data_->head()) {
7 case SyncedMemory::HEAD_AT_CPU:
8 data = cpu_data();
9 sumsq = caffe_cpu_dot(count_, data, data);
10 break;
11 case SyncedMemory::HEAD_AT_GPU:
12 case SyncedMemory::SYNCED:
13#ifndef CPU_ONLY
14 data = gpu_data();
15 caffe_gpu_dot(count_, data, data, &sumsq);
16#else
17 NO_GPU;
18#endif
19 break;
20 case SyncedMemory::UNINITIALIZED:
21 return 0;
22 default:
23 LOG(FATAL) << "Unknown SyncedMemory head state: " << data_->head();
24 }
25 return sumsq;
26}
27
上面的函数是计算data元素平方和的详细定义。这个函数也是使用一个switch语句判断data_位于哪里，如果在CPU中，则调用caffe_cpu_dot函数计算法data_各元素的平方和。如果数据在GPU或者在CPU和GPU中同步，则调用caffe_gpu_dot函数计算法data_各元素的平方和。如果caffe编译时使能了CPU_ONLY选项，则不进行GPU相关的计算。其中，caffe_cpu_dot和caffe_gpu_dot函数也是在math_functions.hpp文件中定义。
2
3
4
5
6
7
8
9
10
2 NOT_IMPLEMENTED;
3 return 0;
4}
5
6template <> int Blob<int>::sumsq_diff() const {
7 NOT_IMPLEMENTED;
8 return 0;
9}
10
这几行代码，声明了两个计算diff元素平方和（L2范数）的函数。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
2Dtype Blob<Dtype>::sumsq_diff() const {
3 Dtype sumsq;
4 const Dtype* diff;
5 if (!diff_) { return 0; }
6 switch (diff_->head()) {
7 case SyncedMemory::HEAD_AT_CPU:
8 diff = cpu_diff();
9 sumsq = caffe_cpu_dot(count_, diff, diff);
10 break;
11 case SyncedMemory::HEAD_AT_GPU:
12 case SyncedMemory::SYNCED:
13#ifndef CPU_ONLY
14 diff = gpu_diff();
15 caffe_gpu_dot(count_, diff, diff, &sumsq);
16 break;
17#else
18 NO_GPU;
19#endif
20 case SyncedMemory::UNINITIALIZED:
21 return 0;
22 default:
23 LOG(FATAL) << "Unknown SyncedMemory head state: " << data_->head();
24 }
25 return sumsq;
26}
27
上面的函数是计算diff元素绝平方和的详细定义。与计算data元素平方和的函数实现是完全一样的，大家可以自行分析。
2
3
4
5
6
7
8
2 NOT_IMPLEMENTED;
3}
4
5template <> void Blob<int>::scale_data(int scale_factor) {
6 NOT_IMPLEMENTED;
7}
8
这几行代码，声明了两个对data元素进行比例缩放的函数。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
2void Blob<Dtype>::scale_data(Dtype scale_factor) {
3 Dtype* data;
4 if (!data_) { return; }
5 switch (data_->head()) {
6 case SyncedMemory::HEAD_AT_CPU:
7 data = mutable_cpu_data();
8 caffe_scal(count_, scale_factor, data);
9 return;
10 case SyncedMemory::HEAD_AT_GPU:
11 case SyncedMemory::SYNCED:
12#ifndef CPU_ONLY
13 data = mutable_gpu_data();
14 caffe_gpu_scal(count_, scale_factor, data);
15 return;
16#else
17 NO_GPU;
18#endif
19 case SyncedMemory::UNINITIALIZED:
20 return;
21 default:
22 LOG(FATAL) << "Unknown SyncedMemory head state: " << data_->head();
23 }
24}
25
上面的函数是对data元素进行比例缩放的详细定义。这个函数也是使用一个switch语句判断data_位于哪里，如果在CPU中，则调用caffe_scal函数计算法data_各元素的比例缩放，缩放系数为scale_factor。如果数据在GPU或者在CPU和GPU中同步，则调用caffe_gpu_scal函数计算法data_各元素的比例缩放。如果caffe编译时使能了CPU_ONLY选项，则不进行GPU相关的计算。其中，caffe_scal和caffe_gpu_scal函数也是在math_functions.hpp文件中定义。
2
3
4
5
6
7
8
2 NOT_IMPLEMENTED;
3}
4
5template <> void Blob<int>::scale_diff(int scale_factor) {
6 NOT_IMPLEMENTED;
7}
8
这几行代码，声明了两个对diff元素进行比例缩放的函数。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
2void Blob<Dtype>::scale_diff(Dtype scale_factor) {
3 Dtype* diff;
4 if (!diff_) { return; }
5 switch (diff_->head()) {
6 case SyncedMemory::HEAD_AT_CPU:
7 diff = mutable_cpu_diff();
8 caffe_scal(count_, scale_factor, diff);
9 return;
10 case SyncedMemory::HEAD_AT_GPU:
11 case SyncedMemory::SYNCED:
12#ifndef CPU_ONLY
13 diff = mutable_gpu_diff();
14 caffe_gpu_scal(count_, scale_factor, diff);
15 return;
16#else
17 NO_GPU;
18#endif
19 case SyncedMemory::UNINITIALIZED:
20 return;
21 default:
22 LOG(FATAL) << "Unknown SyncedMemory head state: " << diff_->head();
23 }
24}
25
上面的函数是计算diff元素比例缩放的详细定义。与计算data元素比例缩放的函数实现是完全一样的，大家可以自行分析。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
2bool Blob<Dtype>::ShapeEquals(const BlobProto& other) {
3 if (other.has_num() || other.has_channels() ||
4 other.has_height() || other.has_width()) {
5 // Using deprecated 4D Blob dimensions --
6 // shape is (num, channels, height, width).
7 // Note: we do not use the normal Blob::num(), Blob::channels(), etc.
8 // methods as these index from the beginning of the blob shape, where legacy
9 // parameter blobs were indexed from the end of the blob shape (e.g., bias
10 // Blob shape (1 x 1 x 1 x N), IP layer weight Blob shape (1 x 1 x M x N)).
11 return shape_.size() <= 4 &&
12 LegacyShape(-4) == other.num() &&
13 LegacyShape(-3) == other.channels() &&
14 LegacyShape(-2) == other.height() &&
15 LegacyShape(-1) == other.width();
16 }
17 vector<int> other_shape(other.shape().dim_size());
18 for (int i = 0; i < other.shape().dim_size(); ++i) {
19 other_shape[i] = other.shape().dim(i);
20 }
21 return shape_ == other_shape;
22}
23
上面这个函数的作用是判断本类的Blob与函数形参other中定义的Blob形状是否相同。在函数中首先判断other中的维度信息是否是老版本的维度信息，即num、channels、height、width这四个维度。如果是，按照老版本的逻辑进行判断，如果维度信息则返回true。如果不是老版本的维度信息，则将other的维度信息赋值到other_shape向量中，然后判断other_shape与shape_是否相等，相等则返回true。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
2void Blob<Dtype>::CopyFrom(const Blob& source, bool copy_diff, bool reshape) {
3 if (source.count() != count_ || source.shape() != shape_) {
4 if (reshape) {
5 ReshapeLike(source);
6 } else {
7 LOG(FATAL) << "Trying to copy blobs of different sizes.";
8 }
9 }
10 switch (Caffe::mode()) {
11 case Caffe::GPU:
12 if (copy_diff) {
13 caffe_copy(count_, source.gpu_diff(),
14 static_cast<Dtype*>(diff_->mutable_gpu_data()));
15 } else {
16 caffe_copy(count_, source.gpu_data(),
17 static_cast<Dtype*>(data_->mutable_gpu_data()));
18 }
19 break;
20 case Caffe::CPU:
21 if (copy_diff) {
22 caffe_copy(count_, source.cpu_diff(),
23 static_cast<Dtype*>(diff_->mutable_cpu_data()));
24 } else {
25 caffe_copy(count_, source.cpu_data(),
26 static_cast<Dtype*>(data_->mutable_cpu_data()));
27 }
28 break;
29 default:
30 LOG(FATAL) << "Unknown caffe mode.";
31 }
32}
33
上面的这个函数是复制blob数据的函数，由source复制到本类的Blob中，copy_diff表示赋值diff数据，reshape表示是否允许改变Blob的形状。在函数中，首先判断source的元素中与本类Blob的元素数是否相同，并判断source的形状与本类的形状是否相同，两者之一不同，则判读是否允许改变Blob的形状，如果允许，则按照source改变本类Blob的形状。
接下来通过一个switch语句判断当前是什么模式，如果是GPU模式，则通过caffe_copy函数复制data或者diff，目标地址为data_->mutable_gpu_data()或diff_->mutable_gpu_data()。如果模式是CPU模式，则复制的目标地址为data_->mutable_cpu_data()或diff_->mutable_cpu_data()。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
2void Blob<Dtype>::FromProto(const BlobProto& proto, bool reshape) {
3 if (reshape) {
4 vector<int> shape;
5 if (proto.has_num() || proto.has_channels() ||
6 proto.has_height() || proto.has_width()) {
7 // Using deprecated 4D Blob dimensions --
8 // shape is (num, channels, height, width).
9 shape.resize(4);
10 shape[0] = proto.num();
11 shape[1] = proto.channels();
12 shape[2] = proto.height();
13 shape[3] = proto.width();
14 } else {
15 shape.resize(proto.shape().dim_size());
16 for (int i = 0; i < proto.shape().dim_size(); ++i) {
17 shape[i] = proto.shape().dim(i);
18 }
19 }
20 Reshape(shape);
21 } else {
22 CHECK(ShapeEquals(proto)) << "shape mismatch (reshape not set)";
23 }
24 // copy data
25 Dtype* data_vec = mutable_cpu_data();
26 if (proto.double_data_size() > 0) {
27 CHECK_EQ(count_, proto.double_data_size());
28 for (int i = 0; i < count_; ++i) {
29 data_vec[i] = proto.double_data(i);
30 }
31 } else {
32 CHECK_EQ(count_, proto.data_size());
33 for (int i = 0; i < count_; ++i) {
34 data_vec[i] = proto.data(i);
35 }
36 }
37 if (proto.double_diff_size() > 0) {
38 CHECK_EQ(count_, proto.double_diff_size());
39 Dtype* diff_vec = mutable_cpu_diff();
40 for (int i = 0; i < count_; ++i) {
41 diff_vec[i] = proto.double_diff(i);
42 }
43 } else if (proto.diff_size() > 0) {
44 CHECK_EQ(count_, proto.diff_size());
45 Dtype* diff_vec = mutable_cpu_diff();
46 for (int i = 0; i < count_; ++i) {
47 diff_vec[i] = proto.diff(i);
48 }
49 }
50}
51
上面函数的作用是复制BlobProto数据结构中的数据到本类的BLob中。在函数中，第一步是确认本类BLob的形状，如果运行改变形状，则根据proto来改变Blob的形状，如果不允许改变形状，则检测本类Blob与proto形状是否相同，如果不同则直接退出。
接下来就是数据复制的过程，分别复制data和diff，并区分数据类型为double还是 float类型，并分别采用相应的方法复制到本类的Blob的内存空间中。
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2void Blob<float>::ToProto(BlobProto* proto, bool write_diff) const {
3 proto->clear_shape();
4 for (int i = 0; i < shape_.size(); ++i) {
5 proto->mutable_shape()->add_dim(shape_[i]);
6 }
7 proto->clear_data();
8 proto->clear_diff();
9 const float* data_vec = cpu_data();
10 for (int i = 0; i < count_; ++i) {
11 proto->add_data(data_vec[i]);
12 }
13 if (write_diff) {
14 const float* diff_vec = cpu_diff();
15 for (int i = 0; i < count_; ++i) {
16 proto->add_diff(diff_vec[i]);
17 }
18 }
19}
20
这个函数的作用是将本类的Blob数据写入到BlobProto数据结构proto中。在函数中，显示将形状信息写入到proto中，然后清除proto中的数据，并将data元素写入到proto中。最后根据函数形参write_diff是否为true来复制diff元素。
2
3
4
5
6
2template class Blob<int>;
3template class Blob<unsigned int>;
4
5} // namespace caffe
6
这几行是blob.cpp的结尾，作用是实例化Blob模板类。至此我们完成了blob.cpp的介绍。
