caffe 框架梳理（待续）
使用pycaffe生成train.protxt、test.prototxt
使用pycaffe生成solver.prototxt
数据层、视觉层、激活层等知识点回顾
- 用C++自定义层对于刚开始接触Caffe的人来说，如果想要自定义一个属于自己的层，那么最好的工具就是：谷歌！https://github.com/BVLC/caffe/wiki/Development
- Caffe入门教程: https://blog.csdn.net/column/details/15390.html (很适合入门)
caffe：全称Convolutional Architecture for Fast Feature Embedding，是一个计算CNN 相关算法的框架，用C++和Python实现的。
Caffe的优点与局限性
优点：
• 1. 第一个主流的工业级深度学习工具。
• 2. 专精于图像处理
• 局限性：
• 1. 它有很多扩展，但是由于一些遗留的架构问题，不够灵活且对递归网络和语言建模的支持很差。
• 2. 基于层的网络结构，其扩展性不好，对于新增加的层，需要
自己实现（forward, backward and gradient update）
Caffe目录结构
• data/ 用于存放下载的训练数据
• docs/ 帮助文档
• examples/ 代码样例
• matlab/ MATLAB接文件
• python/ PYTHON接文件
• models/ 一些配置好的模型参数
• scripts/ 一些文档和数据会用到的脚本核心代码
• tools/ 保存的源码是用于生成二进制处理程序的，caffe在训练时实际是直接调用这些二进制文件
• include/ Caffe的实现代码的头文件
• src/ 实现Caffe的源文件
src/ 文件结构
gtest/ google test 一个用于测试的库，你make runtest时看见的很多绿⾊色RUN OK就是它，这个与caffe的学习无关，不过是个有用的库
caffe/ 关键代码
• test/ 用gtest测试caffe的代码
• util/ 数据转换时用的一些代码。caffe速度快，很大程度得益于内存设计上的优化（blob数据结构采用proto）和对卷积的优化（部分与im2col相
关）
• proto/ 即所谓的“Protobuf”，全称“Google Protocol Buffer”，是一种数据存储格式，帮助caffe提速
• layers/ 深度神经网络中的基本结构就是一层层互不相同的网络了，这个
文件夹下的源文件以及目前位置“src/caffe”中包含所有.cpp文件就是caffe的核心目录下的核心代码了。
Caffe核心代码
• blob[.cpp .h] 基本的数据结构Blob类
• common[.cpp .h] 定义Caffe类
• internal_thread[.cpp .h] 使用boost::thread线程库
• net[.cpp .h] 网络结构类Net
• solver[.cpp .h] 优化方法类Solver
• data_transformer[.cpp .h] 输入数据的基本操作类DataTransformer
• syncedmem[.cpp .h] 分配内存和释放内存类CaffeMallocHost，用于同步GPU，CPU数据
• layer[.cpp .h] 层类Layer
• layers/ 此文件夹下面的代码全部至少继承了类Layer, 从layer_factory中注册继承
1. Caffe三级结构（Blobs,Layers,Nets）
• Blob：用于数据的保存、交换和操作，Caffe基础存储结构
• Layer：用于模型和计算的基础
• Net：整合连接Layers
