// 输入层的定义:
name: "LeNet" (网络的名字)
  layer { (定义一个网络层)
  name: "data" (网络层的名字为 data)
  type: "Input" (网络层的类型,输入)
  top: "data" (该网络层的输出叫 data )
  input_param { shape: { dim: 64 dim: 1 dim: 28 dim: 28 } } }(64张图像为一批,28*28大小)
} 
////读取这批数据维度:64 1 28 28

// 第一卷积层的定义: 
layer { 
  name: "conv1" (网络层的名字为 conv1)
  type: "Convolution" (网络层类型是 卷积层)
  bottom: "data" (该层的输入层是 data 层)
  top: "conv1" (该层的输出层叫 conv1 feature maps)
  param { 
    lr_mult: 1 (weights的学习率与全局相同)
  } 
  param { 
    lr_mult: 2 (biases的学习率是全局的2倍)
  } 
  convolution_param { {(卷积操作参数设置)
    num_output: 20 (卷积输出数量20,由20个特征图Feature Map构成)
    kernel_size: 5 (卷积核的大小是5*5)
    stride: 1 (卷积操作步长)
    weight_filler { 
      type: "xavier" (卷积滤波器的参数使用 xavier 方法来初始化)
    } 
    bias_filler { 
      type: "constant" (bias使用0初始化)
    } 
  } 
} 
////卷积之后这批数据维度:64 20 24 24

// 第一池化层定义: 
layer { 
  name: "pool1" (网络层的名字是 pool1 )
  type: "Pooling" (网络层的类型是 池化操作)
  bottom: "conv1" (网络层的输入是 conv1 feature maps)
  top: "pool1" (网络层的输出是 pool1)
  pooling_param { (池化参数设置)
    pool: MAX (最大池化操作)
    kernel_size: 2 (池化核尺寸,2*2 区域池化)
    stride: 2 (池化步长)
  } 
} 
////池化之后这批数据维度:64 20 12 12

// 第二卷积层的定义:
layer { 
  name: "conv2" (该网络层的名字)
  type: "Convolution" (该网络层的类型,卷积)
  bottom: "pool1" (该网络层的输入是 pool1)
  top: "conv2" (该网络层的输出是 conv2, feature maps)
  param { 
    lr_mult: 1 (weights的学习率与全局相同)
  } 
  param { 
    lr_mult: 2 (biases的学习率是全局的2倍)
  } 
  convolution_param { (卷积参数设置)
    num_output: 50 (卷积的输出个数,由50个特征图Feature Map构成)
    kernel_size: 5 (卷积核尺寸 5*5)
    stride: 1 (卷积步长)
    weight_filler { 
      type: "xavier" 
    } 
    bias_filler { 
      type: "constant" 
    } 
  } 
}
////卷积之后这批数据维度:64 50 8 8

// 第二池化层的定义:
layer { 
  name: "pool2" 
  type: "Pooling" 
  bottom: "conv2" 
  top: "pool2" 
  pooling_param { 
    pool: MAX 
    kernel_size: 2 
    stride: 2 
  } 
}
////池化之后这批数据维度:64 50 4 4

// 第一层全链接层的定义:
layer { 
  name: "ip1" (该网络层的名字 ip1)
  type: "InnerProduct" (该网络层的类型是 全链接层)
  bottom: "pool2" (该层的输入是 pool2)
  top: "ip1" (该层的输出是 ip1)
  param { 
    lr_mult: 1 
  } 
  param { 
    lr_mult: 2 
  } 
  inner_product_param { (全链接层的 参数设置)
    num_output: 500 (500个输出神经元)
    weight_filler { 
      type: "xavier" 
    } 
    bias_filler { 
      type: "constant" 
    } 
  } 
} 
////500 个神经元

// 激活函数层的定义:
layer { 
  name: "relu1" (该网络层的名字 relu1) 
  type: "ReLU" (该网络层的类型, ReLU 激活函数)
  bottom: "ip1" (该层的输入是 ip1)
  top: "ip1" (该层的输出还是 ip1,底层与顶层相同是为了减少开支)
}

// 第二全链接层的定义:(数据的分类判断在这一层中完成)
layer { 
  name: "ip2" 
  type: "InnerProduct" 
  bottom: "ip1" 
  top: "ip2" 
  param { 
    lr_mult: 1 
  } 
  param { 
    lr_mult: 2 
  } 
  inner_product_param { 
    num_output: 10 (直接输出结果,0-9,十个数字所以维度是10)
    weight_filler { 
      type: "xavier" 
    } 
    bias_filler { 
      type: "constant" 
    } 
  } 
}

// 输出层的定义:
layer { 
  name: "prob" 
  type: "Softmax" (损失函数)
  bottom: "ip2" 
  top: "prob" 
}