作者：wjmishuai

原始資料是28*28
1：資料層：
layer {
  name: "mnist"//資料層的名字是mnist
  type: "Data"//這個層的型別是data
  top: "data"//產生兩個blob，一個是data blob
  top: "label"//一個是lable blob
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625//畫素歸一化
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"
    batch_size: 64
    backend: LMDB
  }
}
2：卷積層
layer {
  name: "conv1"
  type: "Convolution"
  bottom: "data"//獲取上一層的data blob
  top: "conv1"//產生conv1層
  param {
    lr_mult: 1//學習率。表示 weight的學習率和slover.pro中的學習率是一致的。
  }
  param {
    lr_mult: 2//表示 bias的學習率是slover.pro中的學習率的2倍。  這樣設定會導致更快的收斂
  }
  convolution_param {
    num_output: 20//cov1層將產生輸出20個通道
    kernel_size: 5//卷積核大小是5*5
    stride: 1//步長是1
    weight_filler {//權重填充器，使用xavier演算法填充weight。根據輸入和輸出神經元的數量自動確定初始化的規模。
      type: "xavier"
    }
    bias_filler {//偏置填充器，使用constant演算法填充bias。是一個常數，預設是0
      type: "constant"
    }
  }
}
3：池化層(避免資料過擬合)
layer {
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {
    pool: MAX//使用MAX進行池化
    kernel_size: 2//卷積核大小是2*2
    stride: 2//步長是2
  }
}

4：全連線層
layer {
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 500//產生500維的輸出資料
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

5：ReLU層（緊跟在全連線層後，目的是節省記憶體）
layer {
  name: "relu1"
  type: "ReLU"
  bottom: "ip1"
  top: "ip1"
}

ReLU層後緊跟一個InnerProduct層
layer {
  name: "ip2"
  type: "InnerProduct"
  bottom: "ip1"
  top: "ip2"
  param {
    lr_mult: 1
  }
  param {
    lr_mult: 2
  }
  inner_product_param {
    num_output: 10//因為有10類，所以輸出10
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

6：Loss層//不產生任何輸出，只是用來計算損失函式的值，用來初始化ip2的gradient 
layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip2"//需要兩個blob,一個是ip2，作為預測用
  bottom: "label"//來自資料層，作為標籤
  top: "loss"
}