caffe中的数据结构解析

    caffe中数据结构主要包括caffe::Net，caffe::Layer，caffe::Solver三个主要大类。下面就这三个主要的数据结构做一下总结。

    1，caffe:Net：这个数据结构用来表示整个网络，这个数据结构里包含了很多重要的变量。

• vector< shared_ptr< Layer< Dtype > > > layers_变量存储的是每层layer结构体的指针。
• vector< shared_ptr< Blob< Dtype > > > blobs_变量存放的是网络中层与层之间传递的数据，即每层的输入和输出。从这我们可以看出，每层的输入输出并不是存储在对应的层的结构体中的，而是统一存储在Net中。
• vector< vector< Blob< Dtype > * > > bottom_vecs_变量存储的是每一层的输入的内存首地址，注意这只是存放的指针，真正的数据还是存放在blobs_中。
• vector< vector< Blob< Dtype > * > > top_vecs_变量存储的是每一层的输出的内存的首地址，注意这也只是存放指针，真正的数据也是在blobs_中。
• vector< shared_ptr< Blob< Dtype > > > params_存放是网络中每一层的参数。

    2，caffe::Layer：这个是存放网络中和每一层有关的数据。

• vector< shared_ptr< Blob< Dtype > > > blobs_变量存储每层网络的训练参数，通常有blobs_[0]存储该层网络的weight，blobs_[1]存储该层网络的bias。不管是weight还是bias都是具有blob结构，关于blob结构的数据存储具体是什么样的，以后会有总结。
• vector< bool > param_propagate_down_变量是网络另外一个重要变量，这个变量的作用是标记该层网络做不做反向传播。
• ector< Dtype > loss_变量是存储每层网络的loss，但是除了loss layer外，基本上其他类型的层的loss都是0。

    基于caffe::Layer类衍生出的类有很多中，这里我们具体介绍几个重要的：

    （1）caffe::BaseConvolutionLayer：这个存储的是convlution层的所需要的参数

• int bottom_dim_变量存储的是输入数据的宽度。
• int top_dim_变量存储的是输出数据的宽度。
• int num_是卷积层的batch size。
• int out_spatial_dim_表示一张图片经过一个卷积核后的数据宽度。
• int output_offset_这是一个私有成员。
• int conv_out_channels_表示这层卷积层有多少个卷积核，这个变量是私有变量。

    （2）caffe::PoolingLayer：这个是pooling层的数据结构，存储和pooling相关的参数

• int height_，int width_表示pooling层输入的图像的尺寸。
• int pooled_height_，int pooled_width_表示pooling层输出的图像的尺寸。
• int kernel_h_，int kernel_w_表示pooling的下采样的核的尺寸。
• int channels_表示卷积核的数目。

    （3）caffe::InnerProductLayer：这个内积层，存储内积层有关的参数。内积就是对数据数据进行加权求和:output=input*weight+bias

• int M_表示一个batch中的样本数目，即input矩阵的行数目。
• int K_表示输入数据的宽度，即input矩阵的列数目和weight矩阵的行数目。
• int N_表示输出数据的宽度，即weight矩阵的列数目和output矩阵的列数目。
• Blob< Dtype > bias_multiplier_表示对bias进行scale的系数，通常为1，即表示不进行scale。

    （4）caffe::SoftmaxWithLossLayer：这是代价函数层，在经过两层InnerProductLayer之后，输出的数据宽度就是10，这10个数据每一个数据代表输入数据属于某一个标签的分数。在经过caffe:SoftmaxWithLossLayer之后，输出是一个batch中的所有样本的代价函数cost的平均值。

• vector< Blob< Dtype > * > softmax_bottom_vec_表示该层的输入，数据宽度为10。
• vector< Blob< Dtype > * > softmax_top_vec_表示该层的输出，数据宽度为10。
• Blob< Dtype > prob_表示该层输出的概率值（输入相对于各个标签的概率值）。
  
• int outer_num_对应一个batch中的样本数量。
• nt inner_num_

    （5）caffe::SoftmaxLayer：这一层是softmax函数层，作用就是把InnerProductLayer的输出转换成概率。

• int outer_num_对应一个batch中的样本数量。

    上面就是caffe中layer的主要数据结构，其他数据结构以后回补充。