Caffe的运行，首先要基于一个模型（model），比较常用的模型有Lenet、AlexNet、VGG等；一个模型有多个层构成，层有许多种类型，比如数据层（Data Layers）、视觉层（Vision Layers）、激活层（Activation Layers）等，每层对应着许多参数，这些参数都定义在caffe.proto这个配置文件中。
接下来我们先介绍一下数据层。
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转换成其他格式进行保存输出。通常，数据的预处理（如减去均值、放大缩小、裁剪和镜像）即在这一层实现，参数设置也在这一层实现。
数据来源可以来自高效的数据库（如LevelDB、LMDB），也可以来自内存。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。
这里说明一下我们常用的LevelDB和LMDB的区别：
——LevelDB
利用层表方式组织数据，优化写入速度
优点：为写入进行优化，并进行压缩
缺点：写入太频繁时，来不及重写，磁盘会爆掉
——LMDB
利用map直接进行映射，尽量少进行内存拷贝（可以为只读，直接返回引擎中的内存），提高读性能；
利用tree方式组织数据，并且和系统虚拟内存页大小一致的页进行文件组织
优点：专门进行读优化
缺点：和系统页一样大的组织方式（4k），如果单条Record为1k，则浪费严重
这里给出一个示例进行参数讲解：
layer { name: "mnist" type: "Data" top: "data" top: "label" include { phase: TRAIN } transform_param { scale: 0.00390625 } data_param { source: "H:/win10-caffe/Caffe_BVLC/examples/mnist/mnist-train-leveldb" batch_size: 64 backend: LEVELDB } }其中，name：表示该层的名称，可随意取；
type：层类型，Data表示数据来源于LevelDB或LMDB；MemoryData表示数据来源于内存；HDF5Data表示数据来源于HDF5，ImageData表示数据来源于图片，Window表示数据来源于Windows。根据数据来源的不同，数据层的类型也不同，一般来说，我们采用的多为LevelDB或LMDB，所以层类型一般设置为Data；
top或bottom：bottom表示输入数据，top表示输出数据，如果只有top没有bottom，则表示该层只有输出，没有输入，反之亦然。若果有多个bottom，则表示有多个blobs数据的输入和输出；
include：用于指出该层是训练阶段的层还是测试阶段的层；
transform_param：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00390625，实际上就是1/255，也就是将输入数据由0-255归一化到0-1之间。
data_param：根据数据的来源，进行相应的设置：source——包含数据库的目录名；batch_size——每次处理的数据个数；backen：选择采用的数据库来源。
最后说一句，数据来源不同，参数也不同，一般参数都可望名生意。
