欢送关注我的公众号 [极智视界]，回复 001 获取 Google 编程标准
O_o >_< o_O O_o ~_~ o_O
本文剖析和介绍一下 darknet parse_network_cfg 接口，这个接口比拟硬核，次要做模型构造的加载与算子的实现。
1、darknet 数据加载例程
之前的文章《【编程艺术】分析 darknet read_data_cfg 接口》曾经介绍了一下 darknet 指标检测的数据加载流程，并介绍了.data 和 .names 的加载实现。
接下来这里 parse_network_cfg 接口次要做 .cfg 模型构造的加载，外面波及的货色略微多一些。
2、parse_network_cfg 接口
来看一下 parse_network_cfg 的实现：
network parse_network_cfg(char *filename)
{return parse_network_cfg_custom(filename, 0, 0);
}能够看到外面调用了 parse_network_cfg_custom 函数，这是次要的性能实现函数，也是这里重点要分析的。这个函数的实现有 451 行，这里就不间接贴了，筛选一些比拟要害的中央拿出来说一下。
首先是读 cfg：
list *sections = read_cfg(filename);读 cfg 采纳 read_cfg 接口，先须要说一下 darknet 里用链表存网络结构的数据结构：整个网络采纳链表进行存储，链表的值域为 section 块，section 块寄存 [net]、[convolution]、[yolo]… 这些构造，来看一下 section 的定义就很清晰了，其中 type 就是记录块的类别，即 [net] 或 [convolution] 或 [yolo] 等字符串。
typedef struct{
char *type;
list *options;
}section;来看一下 read_cfg：
list *read_cfg(char *filename)
{FILE *file = fopen(filename, "r");
if(file == 0) file_error(filename);
char *line;
int nu = 0;
list *sections = make_list();
section *current = 0;
while((line=fgetl(file)) != 0){ // 逐行读
++ nu;
strip(line);
switch(line[0]){ // 取每行的第一个字符
case '[': // 若是 '[', 阐明是一个块
current = (section*)xmalloc(sizeof(section)); // 用 current section 来存储这个块
list_insert(sections, current); // 将块插入网络结构链表
current->options = make_list(); // 块外面的链表存储块内构造
current->type = line; // 块类型即为 [net]、[convolution]...
break; // 块存储完及新赋值 type 后即跳出
case '\0':
case '#':
case ';':
free(line);
break;
default:
if(!read_option(line, current->options)){ // 读块内构造，存储到块内链表
fprintf(stderr, "Config file error line %d, could parse: %s\n", nu, line);
free(line);
}
break;
}
}
fclose(file);
return sections; // 返回网络结构链表
}以上实现了网络结构读入到链表存储，接下来要做的是把链表里的网络结构转换为 network 数据结构，network 是个构造体：
// network.h
typedef struct network {
int n;
int batch;
uint64_t *seen;
float *badlabels_reject_threshold;
float *delta_rolling_max;
float *delta_rolling_avg;
float *delta_rolling_std;
int weights_reject_freq;
int equidistant_point;
...; // 有很多很多参
}构建一下 network：
network net = make_network(sections->size - 1);这里其实只是做了一些内存开拓及初始化的工作：
network make_network(int n)
{network net = {0};
net.n = n;
net.layers = (layer*)xcalloc(net.n, sizeof(layer));
net.seen = (uint64_t*)xcalloc(1, sizeof(uint64_t));
net.cuda_graph_ready = (int*)xcalloc(1, sizeof(int));
net.badlabels_reject_threshold = (float*)xcalloc(1, sizeof(float));
net.delta_rolling_max = (float*)xcalloc(1, sizeof(float));
net.delta_rolling_avg = (float*)xcalloc(1, sizeof(float));
net.delta_rolling_std = (float*)xcalloc(1, sizeof(float));
net.cur_iteration = (int*)xcalloc(1, sizeof(int));
net.total_bbox = (int*)xcalloc(1, sizeof(int));
net.rewritten_bbox = (int*)xcalloc(1, sizeof(int));
*net.rewritten_bbox = *net.total_bbox = 0;
#ifdef GPU
net.input_gpu = (float**)xcalloc(1, sizeof(float*));
net.truth_gpu = (float**)xcalloc(1, sizeof(float*));
net.input16_gpu = (float**)xcalloc(1, sizeof(float*));
net.output16_gpu = (float**)xcalloc(1, sizeof(float*));
net.max_input16_size = (size_t*)xcalloc(1, sizeof(size_t));
net.max_output16_size = (size_t*)xcalloc(1, sizeof(size_t));
#endif
return net;
}接下来是获取网络配置参数：
node *n = sections->front; // 指向网络链表头节点
section *s = (section *)n->val; // 获取头节点的值域 setion
list *options = s->options; // 获取头节点的指针域
parse_net_options(options, &net); // 给 net 设置网络配置参数，[net] 里的参数 来看一下 parse_net_options：
/// 太多了，截取了局部
void parse_net_options(list *options, network *net)
{net->max_batches = option_find_int(options, "max_batches", 0);
net->batch = option_find_int(options, "batch",1);
net->learning_rate = option_find_float(options, "learning_rate", .001);
net->learning_rate_min = option_find_float_quiet(options, "learning_rate_min", .00001);
net->batches_per_cycle = option_find_int_quiet(options, "sgdr_cycle", net->max_batches);
net->batches_cycle_mult = option_find_int_quiet(options, "sgdr_mult", 2);
net->momentum = option_find_float(options, "momentum", .9);
net->decay = option_find_float(options, "decay", .0001);
int subdivs = option_find_int(options, "subdivisions",1);
net->time_steps = option_find_int_quiet(options, "time_steps",1);
net->track = option_find_int_quiet(options, "track", 0);
net->augment_speed = option_find_int_quiet(options, "augment_speed", 2);
net->init_sequential_subdivisions = net->sequential_subdivisions = option_find_int_quiet(options, "sequential_subdivisions", subdivs);
if (net->sequential_subdivisions > subdivs) net->init_sequential_subdivisions = net->sequential_subdivisions = subdivs;
net->try_fix_nan = option_find_int_quiet(options, "try_fix_nan", 0);
net->batch /= subdivs; // mini_batch
const int mini_batch = net->batch;
net->batch *= net->time_steps; // mini_batch * time_steps
net->subdivisions = subdivs; // number of mini_batches
...;
}其实获取的就是上面这些货色：
接下来会进行网络结构的加载，首先将头节点往后偏移一个节点，即到算子节点：
n = n->next;而后是比拟要害的：
/// 这里省略了很多层实现，不然篇幅太长
while(n){
params.train = old_params_train;
if (count < last_stop_backward) params.train = 0;
params.index = count;
fprintf(stderr, "%4d", count);
s = (section *)n->val;
options = s->options;
layer l = {(LAYER_TYPE)0 };
LAYER_TYPE lt = string_to_layer_type(s->type); // 将层 type 提取进去，转换为枚举类型的 TYPE
if(lt == CONVOLUTIONAL){ // 开始搭积木了
l = parse_convolutional(options, params); // 增加卷积层
}else if(lt == LOCAL){l = parse_local(options, params);
}else if(lt == ACTIVE){l = parse_activation(options, params);
}else if(lt == RNN){l = parse_rnn(options, params);
}else if(lt == GRU){l = parse_gru(options, params);
}else if(lt == LSTM){l = parse_lstm(options, params);
}else if (lt == CONV_LSTM) {l = parse_conv_lstm(options, params);
}else if (lt == HISTORY) {l = parse_history(options, params);
}else if(lt == CRNN){l = parse_crnn(options, params);
}else if(lt == CONNECTED){l = parse_connected(options, params);
}else if(lt == CROP){l = parse_crop(options, params);
}else if(lt == COST){l = parse_cost(options, params);
l.keep_delta_gpu = 1;
}else if(lt == REGION){l = parse_region(options, params);
l.keep_delta_gpu = 1;
}else if (lt == YOLO) {l = parse_yolo(options, params);
l.keep_delta_gpu = 1;}
...;
}以上搭积木中对应的每个算子的 darknet 实现 make_layer_xxx 是精髓，这里限于篇幅不开展赘述了，后续会陆续有相干介绍文章进行介绍。
千里之行始于足下，读源码是个好习惯。
【公众号传送】
《【编程艺术】分析 darknet parse_network_cfg 接口》