文件路徑：caffe-master_github/include/caffe/
如果想對blob有詳細了解，參考Caffe官網教程：http://caffe.berkeleyvision.org/tutorial/net_layer_blob.html

---

以下摘自互聯網：
Blob作為Caffe的四大模塊之一，負責完成CPU/GPU存儲申請、同步和數據持久化映射。Caffe內部數據存儲和通訊都是通過Blob來完成，Blob提供統一的存儲操作接口，可用來保存訓練數據、模型參數等。Blob是一個高維連續數組，批處理圖像數據時通常使用4維Blob，Blob的維度可以表示為(N, K, H, W)，每個維度的意思分別是：

• N: 數據的個數，例如SGD時一次mini-batch的圖像個數。
• K: 如果是圖像，可以理解為通道數量；如果是網絡中間結果，就是feature map的數量。
• H, W： 如果是圖像數據，可以理解為圖像的高度和寬度；如果是參數數據，可以理解為濾波核的高度和寬度。

Caffe中通常只使用4維Blob完成圖像應用，但是Blob完全可以合理地被用來存儲任何數據，比如說學習到的參數。
例如：

• 1000幅640*480 RGBD圖像數據，其Blob形狀為(1000, 4, 480, 640)。
• 96個大小11*11的濾波核，處理16通道的輸入數據，其參數Blob的形狀為(96，16，11，11)。
• 1000個輸出，1024個輸入的全連接層，其參數Blob的形狀為(1000，1024)。

blob.hpp：
數據成員：

protected： shared_ptr<SyncedMemory> data_; //存放數據 shared_ptr<SyncedMemory> diff_; //存放梯度 shared_ptr<SyncedMemory> shape_data_; vector<int> shape_;//shape_是Blob維度參數 int count_;//count表示Blob存儲的元素個數（shape_所有元素乘積） int capacity_;//capacity_表示當前Blob的元素個數（控制動態分配）

構造函數：
默認構造函數完成最基本的初始化，兩個顯示構造函數會調用Reshape函數完成data_和diff_的共享內存對象SyncedMemory的申請。

const Dtype* cpu_data() const; //cpu使用的數據 void set_cpu_data(Dtype* data); //用數據塊的值來blob里面的data const int* gpu_shape() const; const Dtype* gpu_data() const; //返回不可更改的指針，下同 const Dtype* cpu_diff() const; const Dtype* gpu_diff() const; Dtype* mutable_cpu_data(); //返回可更改的指針，下同 Dtype* mutable_gpu_data(); Dtype* mutable_cpu_diff(); Dtype* mutable_gpu_diff();

總之，帶mutable_開頭的意味著可以對返回的指針內容進行更改，而不帶mutable_開頭的返回const 指針，不能對其指針的內容進行修改
Reshape函數：

void Reshape(const vector<int>& shape);//主要完成數據成員shape_,shape_data_,count_,capacity_，data_，diff_最基本的初始化工作，主要包括內存分配，含初始化。 void Reshape(const BlobShape& shape);//特別是完成data_，diff_的共享內存對象SyncedMemory的申請。

總結

以上是生活随笔為你收集整理的caffe源码分析:blob.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。