caffe系列之：Blob，Layer and Net以及对应配置文件的编写

深度网络是一个组合模型，它由许多相互连接的层组合而成的，它按照一定的策略，一层一层的搭建出自己的模型。它将所有的信息数据定义为blobs，从而进行便利的操作和通讯。Blob是caffe的一种标准的数组，一种统一的内存接口，它详细描述了信息是如何存储的、以及如何在层之间的通讯的。
1、blob
Blobs封装了运行时的数据信息，提供了CPU和GPU的同步。从数学上来说，Blob是一个N维数组。它是caffe的数据操作基本单位。只是矩阵式二维的，而Blob是N维的。N可以是2,3,4等等。对于图片数据来说，Blob可以表示为(N*C*H*W)这样一个4D数组。其中N表示图片的数量，C表示图片的通道数，H和W分别表示图片的高度和宽度。当然，除了图片数据，Blob也可以用于非图片数据，比如传统的多层感知机。
在模型中设定的参数，也是用Blob来表示和运算。它的维度会根据参数的类型不同而不同。比如：在一个卷积层中，属于一张3通道图片，有96个卷积核，每个核大小为11*11，因此这个Blob是96*3*11*11。而在一个全连接层中，假设输入1024通道图片，输出1000个数据，则Blob为1000*1024
2、layer
层是网络模型的组成要素和计算的基本单位。一个层的定义大至如下：

从bottom进行数据的输入，计算后，通过top进行输出。图中的黄色多边表示输入输出的数据，蓝色矩形表示层。
每一种类型的层都定义了三种关键的计算：setup，forward and backword
setup： 层的建立和初始化，以及在整个模型中的连接初始化。
forward：从bottom得到输入数据，进行计算，并将计算结果送到top，进行输出。
backward：从层的输出端top得到数据的梯度，计算当前层的梯度，并将计算结果送到bottom，向前传递。
3、Net
就像搭积木一样，一个net由多个layer组合而成。

第一层：name为mnist，type为Data，没有输入（bottom），只有两个输出（top），一个为data，一个为label
第二层：name为ip，type为InnnerProduct，输入数据data，输出数据ip
第三层：name为loss，type为SoftmaxWithLoss，有两个输入，一个为ip，一个为label，有一个输出loss

name: "LogReg"layer{    name: "mnist"    type: "Data"    top: "data"    top: "label"    data_param{    source: "input_leveldb"    batch_size: 64    }}layer{    name: "ip"    type: "InnerProduct"    bottom: "data"    top: "ip"    inner_product_param{        num_output: 2        }    }layer{    name: "loss"    type: "SoftmaxWithLoss"    bottom: "ip"    bottom: "label"    top: "loss"    }