caffe深度学习网络relu层代码注释

最新推荐文章于 2025-06-08 02:06:58 发布

原创最新推荐文章于 2025-06-08 02:06:58 发布 · 2.2k 阅读

3 ·

CC 4.0 BY-SA版权

深度学习专栏收录该内容

3 篇文章

订阅专栏

本文详细介绍了ReLU层在CPU上的实现方式及反向传播过程，包括使用最大函数映射输入值并更新输出数据，以及在反向传播阶段根据激活函数的导数更新梯度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

// Copyright 2014 BVLC and contributors.

#include <algorithm>
#include <vector>

#include "caffe/layer.hpp"
#include "caffe/vision_layers.hpp"

using std::max;

namespace caffe {

template <typename Dtype>
Dtype ReLULayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
									vector<Blob<Dtype>*>* top) 
{
	const Dtype* bottom_data = bottom[0]->cpu_data(); //获得指向输入的指针
	Dtype* top_data = (*top)[0]->mutable_cpu_data();  //获得指向输出的指针
	const int count = bottom[0]->count();
  
	//对bottom中的每一个数据进行relu函数映射
	for (int i = 0; i < count; ++i) 
	{
		top_data[i] = max(bottom_data[i], Dtype(0));
	}
	
	return Dtype(0);
}

template <typename Dtype>
void ReLULayer<Dtype>::Backward_cpu(const vector<Blob<Dtype>*>& top,
									const bool propagate_down,
									vector<Blob<Dtype>*>* bottom) 
{
	if (propagate_down) 
	{
		const Dtype* bottom_data = (*bottom)[0]->cpu_data();
		const Dtype* top_diff = top[0]->cpu_diff();
		Dtype* bottom_diff = (*bottom)[0]->mutable_cpu_diff();
		const int count = (*bottom)[0]->count();
		for (int i = 0; i < count; ++i) 
		{
			bottom_diff[i] = top_diff[i] * (bottom_data[i] > 0);
		}
	}
}


INSTANTIATE_CLASS(ReLULayer);


}  // namespace caffe