layer {
  name: "data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 600
    mean_file: "examples/images/imagenet_mean.binaryproto"
  }
  data_param {
    source: "examples/images/train_lmdb"
    batch_size: 256
    backend: LMDB
  }
}
layer {
  name: "data"
 

  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    mirror: false
    crop_size: 600
    mean_file: "examples/images/imagenet_mean.binaryproto"
  }
  data_param {
    source: "examples/images/val_lmdb"
    batch_size: 50
    backend: LMDB
  }
}

從上面的 資料層的定義,看得出用了映象和crop_size,還定義了 mean_file。
利用crop_size這種方式可以剪裁中心關注點和邊角特徵,mirror可以產生映象,彌補小資料集的不足。
這裡要重點講一下crop_size在訓練層與測試層的區別：
首先我們需要了解mean_file和crop_size沒什麼大關係。mean_file是根據訓練集圖片製作出來的，crop_size是對訓練集影象進行裁剪，兩個都是對原始的訓練集影象進行處理。如果原始訓練影象的尺寸大小為800*800，crop_size的圖片為600*600，則mean_file與crop_size的圖片均為800*800的影象集。
在caffe中，如果定義了crop_size，那麼在train時會對大於crop_size的圖片進行隨機裁剪，而在test時只是擷取中間部分（詳見/caffe/src/caffe/data_transformer.cpp）：

//We only do random crop when we do training.
    if (phase_ == TRAIN) {
      h_off = Rand(datum_height - crop_size + 1);
      w_off = Rand(datum_width - crop_size + 1);
    } else {
      h_off = (datum_height - crop_size) / 2;
      w_off = (datum_width - crop_size) / 2;
    }
  }

從上述的程式碼可以看出，如果我們輸入的圖片尺寸大於crop_size，那麼圖片會被裁剪。當 phase 模式為 TRAIN 時，裁剪是隨機進行裁剪，而當為TEST 模式時，其裁剪方式則只是裁剪影象的中間區域。