darknet源碼該如何解讀？

Deep Learning小白一個，最近因為項目的關係在讀darknet的源碼，但是發現作者並沒有任何的指引或者tutorial，想請教一下各位大牛有沒有了解過源碼的功能，主要是希望能清楚各個函數的作用以及輸入，輸出的含義。darknet/src at master · pjreddie/darknet · GitHub

darknet 中最重要的三個struct定義是 network_state, network, layer； 新版本network_state 已經併入到 network 里去了。

代碼可以先忽略 gpu 部分，不同種類的網路層都是通過 layer 裡面的函數指針 forward backward 和 update 定義本種類的執行規則。如 connected layer 就有 forward_connected_layer backward_connected_layer update_connected_layer 三個方法，gru layer 等也是一樣；

原子運算只在 blas.c 和 gemm.c 里，網路的運算在 network.c 中，最重要的是 train_network_datum ，train_networks, train_network_batch 和 network_predict；

train_network_datum 是輸入數據用 float_pair ， 就是 float *x , float *y 結對；

train_networks 是在 network_kernel.cu 里，以並發線程方式進行訓練，參數是 data ;

有一點， darknet 在CPU模式下是單線程的，在多塊GPU顯卡模式下，train_networks支持多卡運行，而且這裡也是改造成分散式多主機darknet運行的入口，可以看到訓練出的權重數據合併和scale。

train_network_datum 順序執行 forward_network { 逐層正向網路 } backward_network { 逐層逆向網路 }，滿足次數下（*net.seen %subdivisions）執行一次 update_network( ,,, rate, momentum, decay);

對於用戶定義的網路參數文件處理在 parse_network_cfg， 讀入訓練結果通過 load_weights

主幹就是這些了。

如果需要處理特別需求的數據源，需要參考 data.c 入手。

對 cfg 配置文件，重點調整（當然是全部參數都很重要，可能都要調整），訓練時調整重點的全局參數： decay momentum learning_rate 這三個是與收斂速度有關的。policy 是weights 策略的， inputs batch(及相關的subdivisions) ouputs 是與數據吞吐維度相關的，最新版本好像ouputs這裡有改正。

或許移步此處有點幫助：hgpvision/darknet，目前完成了卷積神經網路涉及的大部分源碼的分析與解讀，後續會持續更新，有些理解可能有出入，也有些問題還沒理解，歡迎交流，希望可以多幾個人討論。

樓主可以參考該博主發表的系列論文 YOLO源碼詳解 - 木凌的博客 - 博客頻道 - CSDN.NET

雖然代碼解析的是YOLO v1版本的，不過v2版本基本也差不多，最大的改動就是最後一層將detection_layer.c改成了region_layer.c ，具體可參考yolo-9000論文。