caffe 主要是讲一下caffe对不同的数据类型的处理（二）

 caffe：

caffe最重要的就是学会配置文件（prototxt）的编写；要运行caffe，需要先创建一个模型（model)，如比较常用的
lenet,Alex等，比如Data,Convolution,Pooling等，层之间的数据流动是以Blobs的方式进行（可以理解为泡泡往上浮）。
数据层：
数据层是每个模型的最底层，是模型的入口，不仅提供数据的输入，也提供数据从Blobs转换成别的格式进行保存输出。通常数据的预处理（如减去均值, 放大缩小, 裁剪和镜像等），也在这一层设置参数实现。
数据来源可以来自高效的数据库（如LevelDB和LMDB），也可以直接来自于内存。如果不是很注重效率的话，数据也可来自磁盘的hdf5文件和图片格式文件。
所有的数据层的都具有的公用参数：先看示例
layer {
  name: "cifar"        表示该层的名称，可随意取
  type: "Data"         层类型，如果是Data，表示数据来源于LevelDB或LMDB
  top: "data"          每一层用bottom来输入数据
  top: "label"         top来输出数据
  include  {           {一般训练的时候和测试的时候，模型的层是不一样的。include来指定。
    phase: TRAIN       该层（layer）是属于训练阶段的层，还是属于测试阶段的层，
  }                    如果没有include参数，则表示该层既在训练模型中，又在测试模型中。
 
  transform_param {    数据预处理
    scale: 0.00390625  scale为0.00390625，实际上就是1/255, 即将输入数据由0-255归一化到0-1之间
    mirror: 1  # 1表示开启镜像，0表示关闭，也可用ture和false来表示
mean_file: "examples/cifar10/mean.binaryproto" # 用一个配置文件来进行均值操作
crop_size: 227# 剪裁一个 227*227的图块，在训练阶段随机剪裁，在测试阶段从中间裁剪
}
 data_param {                       data_param部分，就是根据数据的来源不同，来进行不同的设置 
source: "examples/cifar10/cifar10_train_lmdb" batch_size: 100 backend: LMDB }}
data_param部分:
1:数据来自于数据库（如LevelDB和LMDB）
  
层类型（layer type）:Data
必须设置的参数：
  source: 包含数据库的目录名称，如examples/mnist/mnist_train_lmdb
  batch_size: 每次处理的数据个数，如64
可选的参数：
  rand_skip: 在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。
  backend: 选择是采用LevelDB还是LMDB, 默认是LevelDB.
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、数据来自于内存
 
层类型：MemoryData
必须设置的参数：
 batch_size：每一次处理的数据个数，比如2
 channels：通道数
  height：高度
   width: 宽度
layer {
  top: "data"
  top: "label"
  name: "memory_data"
  type: "MemoryData"
  memory_data_param{
    batch_size: 2
    height: 100
    width: 100
    channels: 1
  }
  transform_param {   数据预处理
    scale: 0.0078125
    mean_file: "mean.proto"
    mirror: false
  }
}
 
3、数据来自于HDF5
 
层类型：HDF5Data
必须设置的参数：
source: 读取的文件名称
batch_size: 每一次处理的数据个数
示例：
 
layer {
  name: "data"
  type: "HDF5Data"
  top: "data"
  top: "label"
  hdf5_data_param {
    source: "examplesf5_classification/data/train.txt"
    batch_size: 10
  }
}
4、数据来自于图片
 
层类型：ImageData
必须设置的参数：
  source: 一个文本文件的名字，每一行给定一个图片文件的名称和标签（label)
  batch_size: 每一次处理的数据个数，即图片数
可选参数：
  rand_skip: 在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。
  shuffle: 随机打乱顺序，默认值为false
  new_height,new_width: 如果设置，则将图片进行resize
 示例：
                                               无
5、数据来源于Windows
层类型：WindowData
必须设置的参数：
  source: 一个文本文件的名字
  batch_size: 每一次处理的数据个数，即图片数
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"
  }
}