深度学习 Caffe 内存管理机制理解

本文是作者原创，如有理解错误，恳请大家指出，如需引用，请注明出处。

Blob内存管理分析

在caffe的分层结构中，Blob充当了内存管理的角色，屏蔽了上层逻辑代码对于数据的申请释放的感知，同时也屏蔽了底层设备对上层逻辑的影响，本文主要分析Blob的管理机制和实际内存申请单元SyncedMemory 的机制。
首先我们看一下Blob和SyncedMemory的关系，类图如下：

blob_class.jpg

实际上整个Blob的实现就是在SyncedMemory上封装了一层，所以首先需要分析一下SyncedMemory的实现机制。

SyncedMemory的实现机制

SyncedMemory的目的是为了屏蔽上层代码对不同硬件设备的内存分配的感知，同时隐藏了CPU和GPU之间的同步过程。同时，SyncedMemory实现时，采用的是 “lazy”的模式，就是内存的实际申请时机是在第一次使用时进行的。有了大体的了解，下面我们来详细分析一下。
下面是SyncedMemory 提供的一组接口，

名称	功能
cpu_data()	获取CPU数据指针
gpu_data()	获取GPU数据指针

实现的代码如下：

const void* SyncedMemory::cpu_data() {
  to_cpu(); return (const void*)cpu_ptr_;
}const void* SyncedMemory::gpu_data() {#ifdef USE_CUDA
  to_gpu();  return (const void*)gpu_ptr_;#else
  NO_GPU;  return NULL;#endif  // USE_CUDA}

可以看出，每次调用接口时，都会有 to_cpu() 和 to_gpu() 的操作,那么这两个操作是什么作用呢，我们先看下SyncedMemory中的一些关键参数：

名称	功能
cpu_ptr_	cpu数据指针
gpu_ptr_	gpu数据指针
size_	当前SyncedMemory需要维护的数据个数
head_	当前 SyncedMemory处于的状态

前三个都比较好理解，最后一个比较特殊，它维护的是 SyncedMemory 当前的状态，分为 UNINITIALIZED，HEAD_AT_GPU，HEAD_AT_CPU ，SYNCED 四中状态。现在介绍一下具体的流程，当第一次调用 to_cpu（）时， head_处于UNINITIALIZED状态，那么系统会调用 CPU的申请内存的方式去获得内存区域，之后设置 head_ = HEAD_AT_CPU ,如果中间过程没有GPU设备则不会有状态变动，如果中间有代码调用了 to_gpu() ,则会发现 head_处于 HEAD_AT_CPU 状态，此时会调用同步函数，将数据从CPU同步到GPU， 之后如果又回到CPU上，则同样会发现 head_ 处于HEAD_AT_GPU的状态，那么又会调用相应的同步代码，将数据同步回CPU，通过 head_这样一个状态参数屏蔽了GPU和CPU间的申请和切换的不同。

所以上层业务只需要知道当前自己需要的是CPU还是GPU的数据，然后调用不同的接口，就可以完成数据获取的操作。

Blob的实现分析

了解了SyncedMemory的实现，再来看Blob 就较为简单了，它仅仅做了一些上层的管理逻辑，向外界提供了几个关键的接口：

名称	功能
cpu_data()	获取CPU数据指针，不能改变数据内容
mutable_cpu_data()	获取CPU数据指针，可以改变数据内容
gpu_data()	获取GPU数据指针，不能改变数据内容
mutable_gpu_data()	获取GPU数据指针，可以改变数据内容
Reshape()	调整数据的维度信息

前四个就是对 SyncedMemory 的 cpu_data() 和 gpu_data()的封装,只需要确保每次获取数据前都调用相对的 to_cpu 或者 to_gpu就可以了。对于最后一个Reshape函数，主要是为了调整维度信息，同时可能是出于适配多种数据格式的目的，所以提供3个重载函数，如下：

void Blob::Reshape(const int num, const int channels,const int height, const int width);void Blob::Reshape(const BlobShape& shape) ;void Blob::Reshape(const vector<int>& shape);

前两个重载函数仅仅进行了数据格式的转换，然后调用第三个函数，所以 void Blob::Reshape(const vector<int>& shape);才是实际的执行者，这里需要介绍一下Blob里面较为关键的几个参数：

名称	功能
data_	数据的实际存储位置
shape_data_	数据的维度信息存储位置（NCHW）
capacity_	当前数据块的大小
count_	reshape后的数据块的大小

阅读代码不难发现，cout_中所存储的就是所有维度的的乘积，也就是当前要reshape到的数据大小，整个的reshape 过程如下：

reshape.jpg

结束

以上就是我对Blob的一些理解，希望对大家有帮助。

作者：深度Zz
链接：https://www.jianshu.com/p/2e99bb0421c5