Caffe学习笔记4：caffe中数据层及参数学习

小菜在成功搭建了caffe和测试了caffe的第一个例子后，觉得应该需要大致了解一下caffe的框架里都有什么，需要去学习基本的知识。跟着小菜一起吧，let’s go……要运行caffe，需要先创建一个模型（model)，如比较常用的Lenet、Alexnet、VGG、Googlenet等。而一个模型由多个屋（layer）构成，每一屋又由许多参数组成。所有的参数都定义在caffe.prototxt这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。不过小菜没有花时间去学习通过Python代码去实现prototxt文件的生成，只是学会如何修改其里面的参数和配置一些参数。
Layer（层）有很多种类型，比如Data、Convolution、Pooling等，层之间的数据流动是以Blobs的方式进行。
今天小菜就先介绍一下数据层：
数据层是每个模型的最底层，是模型的入口，不仅提供数据的输入，也提供数据从Blobs转换成别的格式进行保存输出。通常数据的预处理（如减去均值, 放大缩小, 裁剪和镜像等），也在这一层设置参数实现。
数据来源可以来自高效的数据库（如LevelDB和LMDB），也可以直接来自于内存。如果不是很注重效率的话，数据也可来自磁盘的hdf5文件和图片格式文件。
所有的数据层的都具有的公用参数：先看示例：

layer {
    name: "cifar"
    type: "Data"
     top: "data"
    top: "label"
    include {
     phase: TRAIN
      }
  transform_param 
{
     mean_file: "examples/cifar10/mean.binaryproto"
   }
  data_param
 {
    source: "examples/cifar10/cifar10_train_lmdb"
    batch_size: 100
    backend: LMDB
  }
}

 name: 表示该层的名称，可随意取。
 type: 层类型，如果是Data，表示数据来源于LevelDB或LMDB。根据数据的来源不同，数据层的类型也不同（后面会详细阐述）。一般在练习的时候，我们都是采用的LevelDB或LMDB数据，因此层类型设置为Data。
 top或bottom: 每一层用bottom来输入数据，用top来输出数据。如果只有top没有bottom，则此层只有输出，没有输入。反之亦然。如果有多个 top或多个bottom，表示有多个blobs数据的输入和输出。
 data 与 label: 在数据层中，至少有一个命名为data的top。如果有第二个top，一般命名为label。 这种(data,label)配对是分类模型所必需的。
 include: 一般训练的时候和测试的时候，模型的层是不一样的。该层（layer）是属于训练阶段的层，还是属于测试阶段的层，需要用include来指定。如果没有include参数，则表示该层既在训练模型中，又在测试模型中。
 Transformations: 数据的预处理，可以将数据变换到定义的范围内。如设置scale为0.00390625，实际上就是1/255, 即将输入数据由0-255归一化到0-1之间。
其它的数据预处理也在这个地方设置：

后面的data_param部分，就是根据数据的来源不同，来进行不同的设置。