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.htypedef 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setionlist *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》