本系列大部分為轉載，根據自己需求改寫訓練檔案，大體流程相同。

要執行caffe，需要先建立一個模型（model)，如比較常用的Lenet,Alex等， 而一個模型由多個屋（layer）構成，每一屋又由許多引數組成。所有的引數都定義在caffe.proto這個檔案中。要熟練使用caffe，最重要的就是學會配置檔案（prototxt）的編寫。

層有很多種型別，比如Data,Convolution,Pooling等，層之間的資料流動是以Blobs的方式進行。

今天我們就先介紹一下資料層.

資料層是每個模型的最底層，是模型的入口，不僅提供資料的輸入，也提供資料從Blobs轉換成別的格式進行儲存輸出。通常資料的預處理（如

資料來源可以來自高效的資料庫（如LevelDB和LMDB），也可以直接來自於記憶體。如果不是很注重效率的話，資料也可來自磁碟的hdf5檔案和圖片格式檔案。

所有的資料層的都具有的公用引數：先看示例

layer {
  name: “cifar”
  type: “Data”
  top: “data”
  top: “label”
  include {
    phase: TRAIN
  }
  transform_param {
    mean_file: “examples/cifar10/mean.binaryproto”
  }
  data_param {
 
    source: “examples/cifar10/cifar10_train_lmdb”
    batch_size: 100
    backend: LMDB
  }
}

type: 層型別，如果是Data，表示資料來源於LevelDB或LMDB。根據資料的來源不同，資料層的型別也不同（後面會詳細闡述）。一般在練習的時候，我們都是採用的LevelDB或LMDB資料，因此層型別設定為Data。

top或bottom: 每一層用bottom來輸入資料，用top來輸出資料。如果只有top沒有bottom，則此層只有輸出，沒有輸入。反之亦然。如果有多個 top或多個bottom，表示有多個blobs資料的輸入和輸出。

data 與 label: 在資料層中，至少有一個命名為data的top。如果有第二個top，一般命名為label。 這種(data,label)配對是分類模型所必需的。

include: 一般訓練的時候和測試的時候，模型的層是不一樣的。該層（layer）是屬於訓練階段的層，還是屬於測試階段的層，需要用include來指定。如果沒有include引數，則表示該層既在訓練模型中，又在測試模型中。

Transformations: 資料的預處理，可以將資料變換到定義的範圍內。如設定scale為0.00390625，實際上就是1/255, 即將輸入資料由0-255歸一化到0-1之間

其它的資料預處理也在這個地方設定：

transform_param {
    scale: 0.00390625
    mean_file_size: "examples/cifar10/mean.binaryproto"
    # 用一個配置檔案來進行均值操作
    mirror: 1  # 1表示開啟映象，0表示關閉，也可用ture和false來表示
    # 剪裁一個 227*227的圖塊，在訓練階段隨機剪裁，在測試階段從中間裁剪
    crop_size: 227
  }

後面的data_param部分，就是根據資料的來源不同，來進行不同的設定。

1、資料來自於資料庫（如LevelDB和LMDB）

  層型別（layer type）:Data

必須設定的引數：

  source: 包含資料庫的目錄名稱，如examples/mnist/mnist_train_lmdb

  batch_size: 每次處理的資料個數，如64

可選的引數：

  rand_skip: 在開始的時候，路過某個資料的輸入。通常對非同步的SGD很有用。

  backend: 選擇是採用LevelDB還是LMDB, 預設是LevelDB.

示例：

layer {
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "examples/mnist/mnist_train_lmdb"
    batch_size: 64
    backend: LMDB
  }
}

2、資料來自於記憶體

層型別：MemoryData

必須設定的引數：

 batch_size：每一次處理的資料個數，比如2

 channels：通道數

  height：高度

   width: 寬度

示例：

layer {
  top: "data"
  top: "label"
  name: "memory_data"
  type: "MemoryData"
  memory_data_param{
    batch_size: 2
    height: 100
    width: 100
    channels: 1
  }
  transform_param {
    scale: 0.0078125
    mean_file: "mean.proto"
    mirror: false
  }
}

層型別：HDF5Data

必須設定的引數：

source: 讀取的檔名稱

batch_size: 每一次處理的資料個數

示例：

layer {
  name: "data"
  type: "HDF5Data"
  top: "data"
  top: "label"
  hdf5_data_param {
    source: "examples/hdf5_classification/data/train.txt"
    batch_size: 10
  }
}

4、資料來自於圖片

層型別：ImageData

必須設定的引數：

  source: 一個文字檔案的名字，每一行給定一個圖片檔案的名稱和標籤（label)

  batch_size: 每一次處理的資料個數，即圖片數

可選引數：

  rand_skip: 在開始的時候，路過某個資料的輸入。通常對非同步的SGD很有用。

  shuffle: 隨機打亂順序，預設值為false

  new_height,new_width: 如果設定，則將圖片進行resize

 示例：

layer {
  name: "data"
  type: "ImageData"
  top: "data"
  top: "label"
  transform_param {
    mirror: false
    crop_size: 227
    mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
  }
  image_data_param {
    source: "examples/_temp/file_list.txt"
    batch_size: 50
    new_height: 256
    new_width: 256
  }
}

5、資料來源於Windows

層型別：WindowData

必須設定的引數：

  source: 一個文字檔案的名字

  batch_size: 每一次處理的資料個數，即圖片數

示例：

layer {
  name: "data"
  type: "WindowData"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mirror: true
    crop_size: 227
    mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"
  }
  window_data_param {
    source: "examples/finetune_pascal_detection/window_file_2007_trainval.txt"
    batch_size: 128
    fg_threshold: 0.5
    bg_threshold: 0.5
    fg_fraction: 0.25
    context_pad: 16
    crop_mode: "warp"
  }
}