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 裡去了。

程式碼可以先忽略 gpu 部分，不同種類的網路層都是透過 layer 裡面的函式指標 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 裡，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 是輸入資料用 float_pair ， 就是 float *x , float *y 結對；

train_networks 是在 network_kernel.cu 裡，以併發執行緒方式進行訓練，引數是 data ;

有一點， darknet 在CPU模式下是單執行緒的，在多塊GPU顯示卡模式下，train_networks支援多卡執行，而且這裡也是改造成分散式多主機darknet執行的入口，可以看到訓練出的權重資料合併和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);

對於使用者定義的網路引數檔案處理在 parse_network_cfg， 讀入訓練結果透過 load_weights

主幹就是這些了。

如果需要處理特別需求的資料來源，需要參考 data.c 入手。

對 cfg 配置檔案，重點調整（當然是全部引數都很重要，可能都要調整），訓練時調整重點的全域性引數： 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 是與資料吞吐維度相關的，最新版本好像ouputs這裡有改正。

======================= 2019.10.08 ======================

最近發現pjreddie 支援 opencv4 了， 而且找到了一篇關於深度學習框架最佳化的論文，放個自己傳到 github 上論文的連結：

Moore123/HParknet