1.blob
（caffe中的数据操作基本单位）
Blobs封装了运行时的数据信息，提供了CPU和GPU的同步。
图片数据：
Blob可以表示为（NCH*W）这样一个4D数组
其中：N表示图片的数量；C表示图片的通道数；H和W分别表示图片的高度和宽度。
在模型中设定的参数，也是用Blob来表示和运算。它的维度会根据参数的类型不同而不同。
Blob是用以存储数据的4维数组，例如
对于数据：NumberChannelHeightWidth
对于卷积权重：OutputInputHeightWidth
对于卷积偏置：Output11*1
举个栗子：
在一个卷积层中，输入一张3通道图片，有96个卷积核，每个核大小为1111，因此这个Blob是9631111；
在一个全连接层中，假设输入1024通道图片，输出1000个数据，则Blob为1000*1024。
2、layer
（层是网络模型的组成要素和计算的基本单位）
层的类型比较多，如Data,Convolution,Pooling,ReLU,Softmax-loss,Accuracy等；其中一个层的定义大致如下：
从bottom进行数据的输入 ，计算后，通过top进行输出。图中的黄色多边形表示输入输出的数据，蓝色矩形表示层。
每一种类型的层都定义了三种关键的计算：setup,forward and backword
setup: 层的建立和初始化，以及在整个模型中的连接初始化。
forward: 从bottom得到输入数据，进行计算，并将计算结果送到top，进行输出。
backward: 从层的输出端top得到数据的梯度，计算当前层的梯度，并将计算结果送到bottom,向前传递。
3、Net
就像搭积木一样，一个net由多个layer组合而成。
现给出 一个简单的2层神经网络的模型定义( 加上loss 层就变成三层了)，先给出这个网络的拓扑。
第一层：name为mnist, type为Data，没有输入（bottom)，只有两个输出（top),一个为data,一个为label
第二层：name为ip，type为InnerProduct, 输入数据data, 输出数据ip
第三层：name为loss, type为SoftmaxWithLoss，有两个输入，一个为ip,一个为label，有一个输出loss,没有画出来
对应的配置文件prototxt（部署即deploy.prototxt）就可以这样写：
name: “LogReg”
layer {
name: “mnist”
type: “Data”
top: “data”
top: “label”
data_param {
source: “input_leveldb”
batch_size: 64
}
}
layer {
name: “ip”
type: “InnerProduct”
bottom: “data”
top: “ip”
inner_product_param {
num_output: 2
}
}
layer {
name: “loss”
type: “SoftmaxWithLoss”
bottom: “ip”
bottom: “label”
top: “loss”
}
复制代码
第一行将这个模型取名为LogReg, 然后是三个layer的定义，参数都比较简单，只列出必须的参数。具体的参数定义可参见本系列的前几篇文章。
Caffe生成的数据分为2种格式：Lmdb和Leveldb
它们都是键/值对（Key/Value Pair）嵌入式数据库管理系统编程库。
虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。
因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。
Caffe 架构
- 预处理图像的leveldb构建
输入：一批图像和label （2和3）
输出：leveldb （4）
指令里包含如下信息：
conver_imageset （构建leveldb的可运行程序）
train/ （此目录放处理的jpg或者其他格式的图像)
label.txt (图像文件名及其label信息)
输出的leveldb文件夹的名字
CPU/GPU (指定是在cpu上还是在gpu上运行code) - CNN网络配置文件
Imagenet_solver.prototxt （包含全局参数的配置的文件）
Imagenet.prototxt （包含训练网络的配置的文件）
Imagenet_val.prototxt （包含测试网络的配置文件）