**：
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。
資料**可以來自高效的資料庫（如
leveldb和lmdb），也可以直接來自於記憶體。如果不是很注重效率的話，資料也可來自磁碟的hdf5檔案和格式檔案。
所有的資料層的都具有的公用引數：先看示例
layer
transform_param
data_param
}
name: 表示該層的名稱，可隨意取
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_param後面的data_param部分，就是根據資料的**不同，來進行不同的設定。
1、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
}
2、資料來自於記憶體
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
}
3、資料來自於hdf5
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
}
4、資料來自於
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
}
重點：我的資料是存在txt檔案裡的矩陣
，或者存成了.mat檔案，直接用convert_imageset.cpp不行，因為convert_imageset.cpp
這個檔案只對進行操作，它呼叫opencv庫來執行。因此你應該先將txt轉換為。如果你對matlab,python或opencv任何乙個比較熟悉的話，讀入txt並儲存為都是很容易的事。
Caffe學習系列 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...
caffe學習系列（3） 資料層介紹
乙個模型由多個層構成，如data,conv,pool等。其中資料層是模型的最底層，是模型的入口。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還包括資料的預處理 如減去 均值,放大縮小,裁剪和映象等 資料來源來自高效的資料庫 如leveldb和lmdb 或者hdf5 檔案和格式檔案...
caffe學習系列 層解讀
層型別 accuracy layer 可以看到，caffe中計算accuracy時，是通過比較最後乙個全連線層 神經元個數 類別數 但沒有加入activation function 的輸出和資料集的labels來得到的，計算過程在accuracylayer中實現 我也一直非常困惑，計算accurac...