要運行caffe，需要先創建一個模型（model)，如比較常用的Lenet,Alex等， 而一個模型由多個屋（layer）構成，每一屋又由許多參數組成。所有的參數都定義在caffe.proto這個文件中。要熟練使用caffe，最重要的就是學會配置文件（prototxt）的編寫。
層有很多種類型，比如Data,Convolution,Pooling等，層之間的數據流動是以Blobs的方式進行。
今天我們就先介紹一下數據層.
數據層是每個模型的最底層，是模型的入口，不僅提供數據的輸入，也提供數據從Blobs轉換成別的格式進行保存輸出。通常數據的預處理（如減去均值, 放大縮小, 裁剪和鏡像等），也在這一層設置參數實現。
數據來源可以來自高效的數據庫（如LevelDB和LMDB），也可以直接來自於內存。如果不是很注重效率的話，數據也可來自磁盤的hdf5文件和圖片格式文件。
// 輸入層的定義：
name: "LeNet" （網絡的名字）
layer { （定義一個網絡層）
name: "data" (網絡層的名字爲 data)
type: "Input" （網絡層的類型，輸入）
top: "data" （該網絡層的輸出叫 data ）
input_param { shape: { dim: 64 dim: 1 dim: 28 dim: 28 } } }（64張圖像爲一批，28*28大小）
}
//讀取這批數據維度：64 1 28 28
所有的數據層的都具有的公用參數：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
}
}
name: 表示該層的名稱，可隨意取
type: 層類型，如果是Data，表示數據來源於LevelDB或LMDB。根據數據的來源不同，數據層的類型也不同（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數據，因此層類型設置爲Data。
top或bottom: 每一層用bottom來輸入數據，用top來輸出數據。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數據的輸入和輸出。
data 與 label: 在數據層中，至少有一個命名爲data的top。如果有第二個top，一般命名爲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參數，則表示該層既在訓練模型中，又在測試模型中。
Transformations: 數據的預處理，可以將數據變換到定義的範圍內。如設置scale爲0.00390625，實際上就是1/255, 即將輸入數據由0-255歸一化到0-1之間
reference:
[1]. https://blog.csdn.net/weixin_34096182/article/details/85787069