caffe各个层初探（一综述）

一开始先把总的层都给罗列出来，有一个整体的印象

1. Data layers
2. Vision layers
3. Recurret layers
4. Common layers
5. Normalization layers
6. Activaction/Neuron layers
7. Utility layers
8. Loss layers

---

接下来简要叙述，各层主要功能，后面分类讲述。

• Data layers 
  • 这里，Data layers数据层，是原始数据的输入层，主要考虑数据的输入方式和对应的转换。如从数据库leveldb、lmdb中读取数据，也可以直接从内存中读取，还可以从hdf5，甚至是原始的图像读入数据。
• Vision layers
  • vision_layer主要是图像卷积的操作，像convolusion、pooling、LRN都在里面，输出前后都是图像的结构。还有一个序列化的函数im2col，加速卷积
• Recurret layers
  • 比较牛逼的一层
  • Recurrent
  • RNN
  • Long-Short Term Memory (LSTM)
• Common layers
  • 这层是指全连接层以及一些相关的处理（dropout防止过拟合）
    • Inner Product - fully connected layer.
    • Dropout
    • Embed - for learning embeddings of one-hot encoded vector (takes index as input).
• Normalization layers
  • 这层顾名思义归一化层
  • 包括LRN 、MVN、Batch Normalization
  • 目的是修调处理后的数据
• Activaction/Neuron layers
  • **层
  • 包括各种**函数
• Utility layers
  • 联合层
  • 比较杂的函数方法都丢到这里。向softmax  。。。。。reshape居然也在
• Loss layers
  • 这里把反馈、损失 都放在这里，算是比较核心的内容。

总的说来，这些层的主干主要包括个，分别是data layers、vison layers、Common layers、Utility layers and loss layers。

剩下的主要是为了完善而有的。