prototxt檔案是caffe的配置檔案，用於儲存CNN的網路結構和配置資訊。prototxt檔案有三種，分別是deploy.prototxt，train_val.prototxt和solver.prototxt。

1. solver.prototxt

solver.prototxt是caffe的配置檔案。裡面定義了網路訓練時候的各種引數，比如學習率、權重衰減、迭代次數等等。下面詳細說明每一個引數所代表的意義：

1. test_iter: 299  
2. test_interval: 224  
3. base_lr: 0.01  
4. display: 20  
5. max_iter: 6720  
6. lr_policy: "step"  
7. gamma: 0.1  
8. momentum: 0.9  
9. weight_decay: 0.0001  
10. stepsize: 2218  
11. snapshot: 224  
12. snapshot_prefix: "snapshot"  
13. solver_mode: GPU  
14. net: "train_val.prototxt"  
15. solver_type: SGD  

test_iter：表示網路的測試迭代次數。網路一次迭代將一個batchSize的圖片進行測試，所以為了能將validation集中所有圖片都測試一次，這個引數乘以TEST的batchSize應該等於validation集中圖片總數量。即test_iter*batchSize=val_num。
test_interval：表示網路迭代多少次進行一次測試。一次迭代即一個batchSize的圖片通過網路正向傳播和反向傳播的整個過程。比如這裡設定的是224，即網路每迭代224次即對網路的準確率進行一次驗證。一般來說，我們需要將訓練集中所有圖片都跑一編，再對網路的準確率進行測試，整個引數乘以網路data層（TRAIN）中batchSize引數應該等於測試集中圖片總數量。即test_interval*batchSize=train_num。
base_lr：表示網路的基礎學習率。學習率過高可能導致loss持續86.33333，也可能導致loss無法收斂等等問題。過低的學習率會使網路收斂慢，也有可能導致梯度損失。一般我們設定為0.01。
display: 每多少次顯示一次。
max_iter: 網路的最大迭代次數。訓練集中的圖片當然不能只訓練一次就算了，要反覆多次的進行訓練，所以這個引數應該要大一些。
lr_policy: 學習率變化。
gamma: 學習率變化比率。一般不改。
momentum: 學習的引數。一般不改。
weight_decay: 學習的引數。一般不改。
stepsize: 每多少次學習率遞減。這裡是迭代2218次學習率遞減。
snapshot: 每多少次儲存一次學習的結果。即caffemodel。
solver_mode: 設定使用GPU還是CPU進行學習訓練。
net:  網路結構的檔案路徑。
solver_type: 優化演算法的選擇，一共有六種可選：SGD、AdaDelta、AdaGrad、Adam、Nesterov和RMSProp。預設為SGD。
solver.prototxt檔案只在網路進行訓練的時候需要載入。是網路訓練的一個整體的引數配置檔案。

2. deploy.prototxt和train_val.prototx

這兩個檔案是caffe的網路結構檔案。train_val.prototx是訓練時候的網路結構，deploy.prototxt用於釋出（即測試時候的網路結構）。這兩個檔案中內容基本一致，但是存在一些細微區別：

1. 在train_val.prototx中網路結構的data層有兩種，分別為TRAIN和TEST。顧名思義，TRAIN是網路訓練時後的資料結構，TEST是網路做驗證時候的資料結構。一般來說TRAIN中的batchSize比TEST中的要大一些。
2. 在train_val.prototx中的卷積層（Convolution）中存在學習率和權重衰減的引數，而deploy.prototxt檔案中則沒有這些引數（有些deploy.prototxt中仍然有這些引數，但是對測試不起任何作用）。

由於train_val.prototx包含了deploy.prototxt檔案中所有的引數定義，所以下面以train_val.prototx檔案為例，詳細說明每個引數的意義。這裡以經典的AlexNet網路為例：

1.data層

1. layer {  
2.   name: "train-data"  
3.   type: "Data"  
4.   top: "data"  
5.   top: "label"  
6.   include {  
7.     phase: TRAIN  
8.   }  
9.   transform_param {  
10.     mirror: true  
11.     crop_size: 227  
12.     mean_file: "./mean.binaryproto"  
13.   }  
14.   data_param {  
15.     source: "./train_db"  
16.     batch_size: 128  
17.     backend: LMDB  
18.   }  
19. }  

name: 這一層的名字。
type:這一層的型別。
top: 這一層所連線的上一層。注意，網路是從下往上生長的。最底層是資料層，越往上特徵越抽象。
phase: TRAIN 表示這一層是訓練時候網路的定義。
mirror:是否使用映象。
crop_size:將輸入資料裁剪為227。
mean_file:均值檔案的路徑。
source:訓練集的路徑。
batch_size:一次迭代輸入的圖片數量。
backend:資料集的格式。

2. Convolution層

1. layer {  
2.   name: "conv1"  
3.   type: "Convolution"  
4.   bottom: "data"  
5.   top: "conv1"  
6.   param {  
7.     lr_mult: 1.0  
8.     decay_mult: 1.0  
9.   }  
10.   param {  
11.     lr_mult: 2.0  
12.     decay_mult: 0.0  
13.   }  
14.   convolution_param {  
15.     num_output: 96  
16.     kernel_size: 11  
17.     stride: 4  
18.     weight_filler {  
19.       type: "gaussian"  
20.       std: 0.01  
21.     }  
22.     bias_filler {  
23.       type: "constant"  
24.       value: 0.0  
25.     }  
26.   }  
27. }  

lr_mult: 學習率。這裡有兩個學習率，分別是filter和bias的學習率。

decay_mult:：衰減係數。同樣有兩個，與學習率對應。

num_output:：這一層輸出的特徵圖個數。即改成用多少個卷積核去對輸入做卷積操作。

kernel_size：卷積核的尺寸。

stride：卷積的步長。

weight_filler {
      type: "gaussian"
      std: 0.01
    }

整個引數是表示使用高斯方法初始化濾波器引數。這裡是使用均值為0，方差為0.01的高斯核。

bias_filler {
      type: "constant"
      value: 0.0
    }

整個引數表示使用constant方法初始化偏置。即初始偏置設定為0。

caffe中還有RELU，pooling，LRN，SoftMax，IP，FC等層。這些層引數比較少，也比較容易理解。這裡就不詳細介紹了。