include/caffe/filler.hpp

   1 // Copyright 2014 BVLC and contributors.
   2
   3 // Fillers are random number generators that fills a blob using the specified
   4 // algorithm. The expectation is that they are only going to be used during
   5 // initialization time and will not involve any GPUs.
   6
   7 #ifndef CAFFE_FILLER_HPP
   8 #define CAFFE_FILLER_HPP
   9
  10 #include <string>
  11
  12 #include "caffe/common.hpp"
  13 #include "caffe/blob.hpp"
  14 #include "caffe/syncedmem.hpp"
  15 #include "caffe/util/math_functions.hpp"
  16 #include "caffe/proto/caffe.pb.h"
  17
  18 namespace caffe {
  19
  20 template <typename Dtype>
  21 class Filler {
  22  public:
  23   explicit Filler(const FillerParameter& param) : filler_param_(param) {}
  24   virtual ~Filler() {}
  25   virtual void Fill(Blob<Dtype>* blob) = 0;
  26  protected:
  27   FillerParameter filler_param_;
  28 };  // class Filler
  29
  30
  31 template <typename Dtype>
  32 class ConstantFiller : public Filler<Dtype> {
  33  public:
  34   explicit ConstantFiller(const FillerParameter& param)
  35       : Filler<Dtype>(param) {}
  36   virtual void Fill(Blob<Dtype>* blob) {
  37     Dtype* data = blob->mutable_cpu_data();
  38     const int count = blob->count();
  39     const Dtype value = this->filler_param_.value();
  40     CHECK(count);
  41     for (int i = 0; i < count; ++i) {
  42       data[i] = value;
  43     }
  44   }
  45 };
  46
  47 template <typename Dtype>
  48 class UniformFiller : public Filler<Dtype> {
  49  public:
  50   explicit UniformFiller(const FillerParameter& param)
  51       : Filler<Dtype>(param) {}
  52   virtual void Fill(Blob<Dtype>* blob) {
  53     CHECK(blob->count());
  54     caffe_rng_uniform<Dtype>(blob->count(), Dtype(this->filler_param_.min()),
  55         Dtype(this->filler_param_.max()), blob->mutable_cpu_data());
  56   }
  57 };
  58
  59 template <typename Dtype>
  60 class GaussianFiller : public Filler<Dtype> {
  61  public:
  62   explicit GaussianFiller(const FillerParameter& param)
  63       : Filler<Dtype>(param) {}
  64   virtual void Fill(Blob<Dtype>* blob) {
  65     Dtype* data = blob->mutable_cpu_data();
  66     CHECK(blob->count());
  67     caffe_rng_gaussian<Dtype>(blob->count(), Dtype(this->filler_param_.mean()),
  68         Dtype(this->filler_param_.std()), blob->mutable_cpu_data());
  69   }
  70 };
  71
  72 template <typename Dtype>
  73 class PositiveUnitballFiller : public Filler<Dtype> {
  74  public:
  75   explicit PositiveUnitballFiller(const FillerParameter& param)
  76       : Filler<Dtype>(param) {}
  77   virtual void Fill(Blob<Dtype>* blob) {
  78     Dtype* data = blob->mutable_cpu_data();
  79     DCHECK(blob->count());
  80     caffe_rng_uniform<Dtype>(blob->count(), 0, 1, blob->mutable_cpu_data());
  81     // We expect the filler to not be called very frequently, so we will
  82     // just use a simple implementation
  83     int dim = blob->count() / blob->num();
  84     CHECK(dim);
  85     for (int i = 0; i < blob->num(); ++i) {
  86       Dtype sum = 0;
  87       for (int j = 0; j < dim; ++j) {
  88         sum += data[i * dim + j];
  89       }
  90       for (int j = 0; j < dim; ++j) {
  91         data[i * dim + j] /= sum;
  92       }
  93     }
  94   }
  95 };
  96
  97 // A filler based on the paper [Bengio and Glorot 2010]: Understanding
  98 // the difficulty of training deep feedforward neuralnetworks, but does not
  99 // use the fan_out value.
 100 //
 101 // It fills the incoming matrix by randomly sampling uniform data from
 102 // [-scale, scale] where scale = sqrt(3 / fan_in) where fan_in is the number
 103 // of input nodes. You should make sure the input blob has shape (num, a, b, c)
 104 // where a * b * c = fan_in.
 105 template <typename Dtype>
 106 class XavierFiller : public Filler<Dtype> {
 107  public:
 108   explicit XavierFiller(const FillerParameter& param)
 109       : Filler<Dtype>(param) {}
 110   virtual void Fill(Blob<Dtype>* blob) {
 111     CHECK(blob->count());
 112     int fan_in = blob->count() / blob->num();
 113     Dtype scale = sqrt(Dtype(3) / fan_in);
 114     caffe_rng_uniform<Dtype>(blob->count(), -scale, scale,
 115         blob->mutable_cpu_data());
 116   }
 117 };
 118
 119
 120 // A function to get a specific filler from the specification given in
 121 // FillerParameter. Ideally this would be replaced by a factory pattern,
 122 // but we will leave it this way for now.
 123 template <typename Dtype>
 124 Filler<Dtype>* GetFiller(const FillerParameter& param) {
 125   const std::string& type = param.type();
 126   if (type == "constant") {
 127     return new ConstantFiller<Dtype>(param);
 128   } else if (type == "gaussian") {
 129     return new GaussianFiller<Dtype>(param);
 130   } else if (type == "positive_unitball") {
 131     return new PositiveUnitballFiller<Dtype>(param);
 132   } else if (type == "uniform") {
 133     return new UniformFiller<Dtype>(param);
 134   } else if (type == "xavier") {
 135     return new XavierFiller<Dtype>(param);
 136   } else {
 137     CHECK(false) << "Unknown filler name: " << param.type();
 138   }
 139   return (Filler<Dtype>*)(NULL);
 140 }
 141
 142 }  // namespace caffe
 143
 144 #endif  // CAFFE_FILLER_HPP_