深度網路(net)是一個組合模型，它由許多相互連線的層（layers)組合而成。Caffe就是組建深度網路的這樣一種工具，它按照一定的策略，一層一層的搭建出自己的模型。它將所有的資訊資料定義為blobs，從而進行便利的操作和通訊。Blob是caffe框架中一種標準的陣列，一種統一的記憶體介面，它詳細描述了資訊是如何儲存的，以及如何在層之間通訊的。

1、blob

Blobs封裝了執行時的資料資訊，提供了CPU和GPU的同步。從數學上來說, Blob就是一個N維陣列。它是caffe中的資料操作基本單位，就像matlab中以矩陣為基本操作物件一樣。只是矩陣是二維的，而Blob是N維的。N可以是2，3，4等等。對於圖片資料來說，Blob可以表示為（N*C*H*W）這樣一個4D陣列。其中N表示圖片的數量，C表示圖片的通道數，H和W分別表示圖片的高度和寬度。當然，除了圖片資料，Blob也可以用於非圖片資料。比如傳統的多層感知機，就是比較簡單的全連線網路，用2D的Blob，呼叫innerProduct層來計算就可以了。

在模型中設定的引數，也是用Blob來表示和運算。它的維度會根據引數的型別不同而不同。比如：在一個卷積層中，輸入一張3通道圖片，有96個卷積核，每個核大小為11*11，因此這個Blob是96*3*11*11. 而在一個全連線層中，假設輸入1024通道圖片，輸出1000個數據，則Blob為1000*1024

2、layer

層是網路模型的組成要素和計算的基本單位。層的型別比較多，如Data,Convolution,Pooling,ReLU,Softmax-loss,Accuracy等，一個層的定義大至如下圖：

從bottom進行資料的輸入 ，計算後，通過top進行輸出。圖中的黃色多邊形表示輸入輸出的資料，藍色矩形表示層。

每一種型別的層都定義了三種關鍵的計算：setup,forward and backword

setup: 層的建立和初始化，以及在整個模型中的連線初始化。

forward: 從bottom得到輸入資料，進行計算，並將計算結果送到top，進行輸出。

backward: 從層的輸出端top得到資料的梯度，計算當前層的梯度，並將計算結果送到bottom,向前傳遞。

3、Net

就像搭積木一樣，一個net由多個layer組合而成。

現給出 一個簡單的2層神經網路的模型定義( 加上loss 層就變成三層了)，先給出這個網路的拓撲。

第一層：name為mnist, type為Data，沒有輸入（bottom)，只有兩個輸出（top),一個為data,一個為label

第二層：name為ip，type為InnerProduct, 輸入資料data, 輸出資料ip

第三層：name為loss, type為SoftmaxWithLoss，有兩個輸入，一個為ip,一個為label，有一個輸出loss,沒有畫出來。

對應的配置檔案prototxt就可以這樣寫：

name: "LogReg"
layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  data_param {
    source: "input_leveldb"
    batch_size: 64
  }
}
layer {
  name: "ip"
  type: "InnerProduct"
  bottom: "data"
  top: "ip"
  inner_product_param {
    num_output: 2
  }
}
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip"
  bottom: "label"
  top: "loss"
}

第一行將這個模型取名為LogReg, 然後是三個layer的定義，引數都比較簡單，只列出必須的引數。具體的引數定義可參見本系列的前幾篇文章。