caffe 常用层解析
本文章，对研究过程中应用caffe平台构建卷积神经网络和残差神经网络过程中，用到的layer进行简单记录和讲解。
大致包含以下图层："HDF5Data"（读取hdf5文件） 、"Convolution"（卷积层）、"ReLU"（激励层）、"Slice"（切片）、"Crop"（裁剪）、"Eltwise"（运算）、"Concat"（连接）
（1） "HDF5Data"（读取hdf5文件）
a.参数简单介绍：
name：层的名称
type：层的类型
top：层输出数据
bottom：输入层的数据（读取数据时没有）
b.示例
（2）"Convolution"（卷积层）（仅解释研究中用到的参数）
a.参数设置
num_putput：卷积核的个数。（输出图层的个数）
kernel_size：卷积核的大小。（长宽不等可用kernel_h和kernel_w设定）
stride：卷积核的步长，默认为1。（横纵不等可用stride_h和stride_w设定）
pad：扩充边缘的长度，默认为0，即不扩充。扩充的时候上下左右对称，如卷积核大小为3*3，pad为0时，卷积运算后特征图长宽减少1。pad为1时，则卷积运算后特征图与原图大小相等。
weight_filler：weight的初始化，默认为“constant”,值为0。（也可用“xavier”或“gaussian”）
bias_filler：bias的初始化，一般设置为“constant”,即为0。
b.示例
（3）"ReLU"（激励层）
激励层有很多种，本次实验仅用到ReLU,即max(0,x)。作用为让神经网络过程转变成非线性。
（4）"Slice"（切片）
将bottom输入数据，经过需要，分割成多个top输出数据。
a.参数设置
axis：需要进行分割的维度（blobs数据有4维，分别用0,1,2,3表示）
slice_point：分割位置
b.示例
数据“data”的维度为 1*9*33*33，则如下代码含义为：
将“data”数据分为1*8*33*33 (“mul_data”) 和 1*1*33*33 （“pan_data”）
（5）"Crop"（裁剪）
取原来数据中的一部分
a.参数设置
bottom即输入两组数据，例如A，B。A为要裁剪的数据，B为裁剪后数据的参考格式。
axis：从哪一维度开始裁剪。（blobs数据有4维，分别用0,1,2,3表示）
offset：每个维度对应的开始裁剪的位置。
b.示例
数据“data”的维度为1*9*33*33，数据“conv3”的维度为1*8*31*31。需裁剪得到“data”数据后8层，并裁剪掉上下左右各一行数据。代码如下：
（6）"Eltwise"（运算）
仅以加法为例子（data1数据为conv3和redata1数据之和，conv3和redata1需数据格式大小一致）
（7）"Concat" （连接）
axis：以哪个维度为依据进行连接（例子与切片的例子4正好相反）
该文章将博主此次研究中所用到的caffe层类型进行简单记录。一便于博主自己查询代码；二希望可以帮助到其他学习caffe之人。如有错误之处或者其他意见还望各位指出。