Caffe源码(caffe version:09868ac , date: 2015.08.15)中的一些重要头文件如caffe.hpp、blob.hpp等或者外部调用Caffe库使用时，一般都会include<caffe/common.hpp>文件，下面分析此文件的内容：
1. include的文件：
boost中的智能指针头文件<boost/shared_ptr.hpp>，作用类似于C++11中的模板类shared_ptr，通过引用计数方式自动释放所指的对象，不用显示执行delete，关于C++11中shared_ptr的使用可以参考http://blog.****.net/fengbingchun/article/details/52202007 .
在Caffe中，封装boost的智能指针using boost::shared_ptr，不使用C++11中的shared_ptr。
GFlags库的<gflags/gflags.h>，它是google的一个开源的处理命令行参数的库，其使用可以参考 http://blog.****.net/fengbingchun/article/details/48768039 。
GLog库的<glog/logging.h>，它是google的一个开源的日志库，其使用可以参考 http://blog.****.net/fengbingchun/article/details/48768039 。
一些系统头文件，如<climits>、<cmath>、<utility>等。
< caffe/util/device_alternate.hpp >文件。
2. caffe/util/device_alternate.hpp文件：
定义了一些在CPU或GPU+CPU模式下使用的宏和函数。
在CPU模式下(通过#ifdef CPU_ONLY)定义了四个宏用于提示在CPU模式下如果调用GPU函数给出error信息：
#define NO_GPU #define STUB_GPU(classname) #define STUB_GPU_FORWARD(classname, funcname) #define STUB_GPU_BACKWARD(classname, funcname)
在GPU+CPU模式下定义了五个cuda宏、三个函数和一个常量：
#define CUDA_CHECK(condition) #define CUBLAS_CHECK(condition) #define CURAND_CHECK(condition) #define CUDA_KERNEL_LOOP #define CUDA_POST_KERNEL_CHECK const char* cublasGetErrorString(cublasStatus_t error); const char* curandGetErrorString(curandStatus_t error); inline int CAFFE_GET_BLOCKS(const int N); const int CAFFE_CUDA_NUM_THREADS;
3. common.hpp文件中定义的宏：
#define DISABLE_COPY_AND_ASSIGN(classname) #define INSTANTIATE_CLASS(classname) #define INSTANTIATE_LAYER_GPU_FORWARD #define INSTANTIATE_LAYER_GPU_BACKWARD #define INSTANTIATE_LAYER_GPU_FUNCS #define NOT_IMPLEMENTED
其中宏DISABLE_COPY_AND_ASSIGN的作用是禁用指定类的拷贝和赋值操作；宏NOT_IMPLEMENTED的作用是标记没有实现的代码，并给出fatal log；宏INSTANTIATE_CLASS的作用是用于实例化指定的模板类(类模板显示实例化)；剩余的三个宏的作用是用于GPU模式下实例化指定的模板类的函数(GPU forward/backward，类似于函数模板显示实例化)。
关于模板显示实例化的介绍可以参考：http://blog.****.net/fengbingchun/article/details/51339659
4. GlobalInit函数：
全局初始化函数，用于初始化google开源库gflags(gflags::ParseCommandLineFlags)和glog(google::InitGoogleLogging)。
5. Caffe类：
(1)、采用单例模式(singleton)实现，封装了boost和cuda的一些操作，提供了一套统一的接口，关于单例模式的内容可以参考： http://blog.****.net/fengbingchun/article/details/22584107 。
(2)、内部定义了嵌套类RNG，RNG类内部又定义了私有嵌套类Generator，Generator类用于产生随机数.RNG类为随机数生成器，隐藏了boost和CUDA的rng实现，对外提供了一套统一的RNG类。
(3)、构造函数为private，防止直接通过构造函数创建对象，也可防止重复实例化。
(4)、禁止执行拷贝和赋值操作。
(5)、通过Get方法来创建或获取实例。
(6)、枚举类型Brew，指定运行模式：CPU、GPU。
以下是common文件的测试代码：
int test_caffe_common()
{
// 1. test macro NOT_IMPLEMENTED
//NOT_IMPLEMENTED; // error, fatal log
// 2. test global initialization function GlobalInit
int argc = 2;
char** argv = nullptr;
argv = new char*[2];
#ifdef _DEBUG
argv[0] = "E:/GitCode/Caffe_Test/lib/dbg/x64_vc12/Caffe_Test.exe";
#else
argv[0] = "E:/GitCode/Caffe_Test/lib/rel/x64_vc12/Caffe_Test.exe";
#endif
argv[1] = "caffe_test";
caffe::GlobalInit(&argc, &argv);
delete[] argv;
// 3. test caffe class
// caffe::Caffe caffe_; // error, can't create Caffe object directly
// verify Caffe is a singleton class
caffe::Caffe& caffe1 = caffe::Caffe::Get();
caffe::Caffe& caffe2 = caffe::Caffe::Get();
fprintf(stderr, "caffe1 addr: %p\n", &caffe1);
fprintf(stderr, "caffe2 addr: %p\n", &caffe2);
auto addr_caffe1 = std::addressof(caffe1);
auto addr_caffe2 = std::addressof(caffe2);
if (addr_caffe1 != addr_caffe2) {
fprintf(stderr, "caffe1 and caffe2 addr are different: caffe1 addr: %p, caffe2 addr: %p\n", &caffe1, &caffe2);
return -1;
}
// get run mode: CPU or GPU
caffe::Caffe::Brew run_mode = caffe1.mode();
fprintf(stderr, "0: CPU, 1: GPU, run_mode: %d\n", run_mode);
// set solver_count
caffe::Caffe::set_solver_count(5);
// get solver_count
int solver_count = caffe::Caffe::solver_count();
fprintf(stderr, "solver count: %d\n", solver_count);
// set root_solver
caffe::Caffe::set_root_solver(false);
// get root_solver
bool root_solver = caffe::Caffe::root_solver();
fprintf(stderr, "root solver: %d\n", root_solver);
// set device
// caffe::Caffe::SetDevice(2); // error, fatal log: Cannot use GPU in CPU-only Caffe: check mode.
// device query
// caffe::Caffe::DeviceQuery(); // error, fatal log: Cannot use GPU in CPU-only Caffe: check mode.
// RNG: generate random number
caffe::SyncedMemory data_a(10 * sizeof(int));
caffe::Caffe::set_random_seed(8888);
caffe::caffe_rng_bernoulli(10, 0.5, static_cast<int*>(data_a.mutable_cpu_data()));
caffe::SyncedMemory data_b(10 * sizeof(int));
caffe::Caffe::set_random_seed(8888);
caffe::caffe_rng_bernoulli(10, 0.5, static_cast<int*>(data_b.mutable_cpu_data()));
for (int i = 0; i < 10; ++i) {
fprintf(stderr, "%d, %d\n", static_cast<const int*>(data_a.cpu_data())[i], static_cast<const int*>(data_b.cpu_data())[i]);
if (static_cast<const int*>(data_a.cpu_data())[i] != static_cast<const int*>(data_b.cpu_data())[i]) {
fprintf(stderr, "same seed should be generate same random number\n");
return - 1;
}
}
// set run mode
caffe::Caffe::set_mode(caffe::Caffe::GPU);
run_mode = caffe1.mode();
fprintf(stderr, "0: CPU, 1: GPU, run_mode: %d\n", run_mode);
return 0;
}
执行结果如下图：
