什么是caffeCaffe 全称：Convolution Architecture For Feature Extraction(用于特征抽取的卷积框架)。Caffe是一个清晰、可读性高、快速的深度学习框架。Caffe前身是decaf,由加州伯克利大学博士贾扬青开发的一个用于深度卷积网络的Python框架（无GPU）模式，之后被伯克利大学实验室团队丰富成caffe。
Cafee的特点
Expression:通过文本来构建模型和优化策略，而不是代码。
Speed:现有的CNN模型中速度最快。在NVIDIA K40 或Titan GPU*上，训练一张图片要5ms，测试一张图片要2ms。
Modularity:易扩展
纯C++/CUDA构建的框架，提供了命令行、Python、MATLAB接口
实现了CPU和GPU的无缝结合
Caffe Model Zoo :model share
CNN框架：LeNet1998年LeCun 提出的用于手写字体的卷积神经网络。
CNN框架：AlexNetAlexNet :2012年Hinton教授和其他学生Alex Krizhevsky, llya Sutskever提出的用于图像识别的CNN框架。
数据层（data_layer）caffe 通过数据层获取数据。数据的来源可以是多种形式。例如：
LevelDB,LMDB(两种键值对嵌入式数据库管理系统编程库，一般LMDB比LevelDB存取速度快，所以caffe默认的事LMDB)
直接从内存读取
HDF5文件
原始图片
类 data_layer.hpp/data_layer.cpp在定义网络的prototxt 文件中可以定义数据层的形式，比如手写字体数据层定义如下：
数据传递（blob）
caffe框架中数据是以blob的形式进行传递
blob是一个标准的数组，主要负责caffe中数据的存储（store），关联（communicate）。数据在网络结构中要经过正向和反向的传播的过程，在这个过程中要对数据进行存储、数据之间进行通信、以及数据的操作。blob就是负责这个过程。
在具体的形式上blob是回一个4-D结构的array，是按照（Num, Channels. Height, Width）的顺序存储的。
Nums:表示一次训练输入的图片数量
Channels:表示通道数
Height:表示图片高度
Width:表示图片的宽度
实际上blob 是存储的数据在内存中的索引，比如index(n,k,h,w）定位在((n*k + k)*H + h)*W+w。示意图如下：
卷积层（convolution）卷积层定义了图像的卷积操作（即特征抽象），参数设置在prototxt中 ，它相关的类定义在conv_layer.cpp。例如用到的一个卷积：
受限线性单元（RELU）RELU的全称：rectified linear units。受限线性单元实际上就是激活函数max(0,x)， 它的相关类定义在relu_layer.cpp中。
相比之下，ReLU的速度非常快，而且精准度更高。因此ReLU逐渐取代sigmoid成为主流
池化层（POOLING）池化层定义了对对象的降维操作。它的相关类定义在pooling_layer.cpp。参数设置prototxt中。
局部响应归一化层（LRN）LRN全称是Local Response Normalization，相关的类定义在lrn_layer.cpp中，其参数定义在prototxt中。局部响应归一化层完成一种“临近抑制”操作，对局部输入区域进行归一化。本质上是防止激活函数饱和，能提升网络的泛化能力，将错误率降低。
local_size:两种表示
通道间归一化时表示求和的通道数
通道内归一化时表示求和区间的边长；默认值为5
alpha：缩放因子，默认值为1beta：指数项，默认值为1NormRegion:选择对相邻通道间归一化or通道内空间区域归一化，默认为ACROSS_CHANNELS。在通道间归一化模式中，局部区域范围在相邻通道间，但没有空间扩展（即尺寸为local_size11）；在通道内归一化模式中，局部区域在空间上扩展，但只针对独立通道进行（即尺寸为1local_sizelocal_size）；每个输入值都将除以
全连接层（INNER_PRODUCT）全连接层相关的类定义在inner_product_layer.cpp中,输出特征都是1*1的特征，参数定义在prototxt中。
Dropout层Dropout层的相关类定义在dropout.cpp中，它的作用是防止过拟合和降低计算复杂度。
在实际训练中，每个节点都以相互独立的以p概率出现，实验证明p=0.5时在大规模网络中效果最优。
输出（分类）层（softmax）相关类定义在softmax_lay,cpp中：
