深度学习 Caffe 内存管理机制理解

之前在简书的文章，搬迁过来 ^-^

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：

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，

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
}
复制代码

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：

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：

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);
复制代码

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：

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：

##结束 以上就是我对Blob的一些理解，希望对大家有帮助。