本文主要參考：
加入了一些自己的理解
在介紹之前，我們先來簡單地介紹下caffe：
caffe（convolutional architecture for fast feature embedding快速特徵植入的卷積結構）是由伯克利視覺和學習中心（bvlc）開發的基於c++/cuda/python實現的卷積神經網路框架，提供面向命令列、matlab、python的繫結介面
從caffe的全稱可以了解：
它實現了前饋卷積神經網路架構（cnn），而不是遞迴網路架構（rnn）
它速度快，因為利用了mkl、openblas、cublas等計算庫，支援gpu加速
它適合做特徵提取，實際上適合做二維影象資料的特徵提取
除此之外，caffe還具有以下特性：
caffe完全開源
caffe提供了一整套工具集，可用於模型訓練、**、微調、發布、資料預處理、以及良好的自動測試
caffe帶有一系列參考模型和快速上手例程
caffe有比較活躍的社群，有很多衍生專案
要執行caffe，需要先建立乙個模型（model)，如比較常用的lenet,alex等， 而乙個模型由多個屋（layer）構成，每一層又由許多引數組成。所有的引數都定義在caffe.proto這個檔案中。要熟練使用caffe，最重要的就是學會配置檔案（prototxt）的編寫。
層有很多種型別，比如data,convolution,pooling等，層之間的資料流動是以blobs的方式進行。
今天我們就先介紹一下資料層.
資料層是每個模型的最底層，是模型的入口，不僅提供資料的輸入，也提供資料從blobs轉換成別的格式進行儲存輸出。通常資料的預處理（如減去均值, 放大縮小, 裁剪和映象等），也在這一層設定引數實現。
所有的資料層的都具有的公用引數：先看示例
layer
transform_param
data_param
}
type: 層型別，如果是data，表示資料**於leveldb或lmdb。根據資料的**不同，資料層的型別也不同（後面會詳細闡述）。一般在練習的時候，我們都是採 用的leveldb或lmdb資料，因此層型別設定為data。
top或bottom: 每一層用bottom來輸入資料，用top來輸出資料。如果只有top沒有bottom，則此層只有輸出，沒有輸入。反之亦然。如果有多個 top或多個bottom，表示有多個blobs資料的輸入和輸出
data 與 label: 在資料層中，至少有乙個命名為data的top。如果有第二個top，一般命名為label。 這種(data,label)配對是分類模型所必需的。
include: 一般訓練的時候和測試的時候，模型的層是不一樣的。該層（layer）是屬於訓練階段的層，還是屬於測試階段的層，需要用include來指定。如果沒有include引數，則表示該層既在訓練模型中，又在測試模型中。
transformations: 資料的預處理，可以將資料變換到定義的範圍內。如設定scale為0.00390625，實際上就是1/255, 即將輸入資料由0-255歸一化到0-1之間
其它的資料預處理也在這個地方設定：
transform_param1、資料來自於資料庫（如leveldb和lmdb）
層型別（layer type）:data
必須設定的引數：
source:包含資料庫的目錄名稱，如examples/mnist/mnist_train_lmdb
batch_size:每次處理的資料個數，如64
可選的引數：
rand_skip: 在開始的時候，路過某個資料的輸入。通常對非同步的sgd很有用。
backend:選擇是採用leveldb還是lmdb, 預設是leveldb.
示例：
layer
transform_param
data_param
}
層型別：memorydata
必須設定的引數：
batch_size：每一次處理的資料個數，比如2
channels：通道數
height：高度
width:寬度
示例：
layer
transform_param
}
層型別：hdf5data
必須設定的引數：
source:讀取的檔名稱
batch_size:每一次處理的資料個數
示例：
layer
}
層型別：imagedata
必須設定的引數：
batch_size: 每一次處理的資料個數，即數
可選引數：
rand_skip: 在開始的時候，路過某個資料的輸入。通常對非同步的sgd很有用。
shuffle: 隨機打亂順序，預設值為false
new_height,new_width: 如果設定，則將進行resize
示例：
layer
image_data_param
}
層型別：windowdata
必須設定的引數：
source:乙個文字檔案的名字
batch_size:每一次處理的資料個數，即數
示例：
layer
transform_param
window_data_param
}
caffe學習筆記（1） 資料層定義
要執行caffe，需要mode train val.prototxt 和solver solver.prototxt 組成。model由多個layer構成，每一layer有許多引數，所有的引數都定義在caffe.proto這個檔案中。層有很多種型別，比如data，convolution，poolin...
caffe 學習系列啟用層及其引數
在啟用層中，對輸入資料進行啟用操作 實際上就是一種函式變換 是逐元素進行運算的。從bottom得到乙個blob資料輸入，運算後，從top輸出乙個blob資料。在運算過程中，沒有改變資料的大小，即輸入和輸出的資料大小是相等的。輸入 n c h w 輸出 n c h w 常用的啟用函式有sigmoid,...
Caffe學習系列 2 資料層及引數
要執行caffe，需要先建立乙個模型 model 如比較常用的lenet,alex等，而乙個模型由多個屋 layer 構成，每一屋又由許多引數組成。所有的引數都定義在caffe.proto這個檔案中。要熟練使用caffe，最重要的就是學會配置檔案 prototxt 的編寫。層有很多種型別，比如dat...