要运行caffe，需要先创建一个模型（model），如比较常用的Lenet,Alex等，而一个模型由多个层（layer）构成，每一层又由许多参数组成。所有的参数都定义在caffe.proto这个文件中。要熟练使用caffe，最重要的就是学会配置文件（prototxt）的编写。

层有很多种类型，比如Data,Convolution,Pooling等，层之间的数据流动是以Blobs的方式进行。今天我们就先介绍一下数据层。

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。

所有的数据层都具有的公有参数：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：表示该层的名称，可随意取；

type：层类型，如果是Data,表示数据来源于LevelDB或LMDB。根据数据的来源不同，数据层的类型也不同（后面会详细阐述）。一般在练习的时候，我们都是采用LevelDB或LMDB数据，因此层类型设置为Data。

top或bottom：每一层用bottom来输入数据，用top来输出数据。如果只有top没有bottom，则此层只有输出，没有输入。反之亦然。如果有多个top或多个bottom，表示有多个blobs数据的输入和输出。

data与label：在数据层中，至少有一个命名为data的top。如果有第二个top，一般命名为label。这种（data，label）配对是分类模型所必需的。

include：一般训练的时候和测试的时候，模型的层是不一样的。该层（layer）是属于训练阶段的层，还是属于测试阶段的层，需要用include来指定。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。

Transformation：数据的预处理，可以将数据变换到定义的范围内。如设置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。

其它的数据预处理也在这个地方设置：

transform_param {  
    scale: 0.00390625  
    mean_file: "examples/cifar10/mean.binaryproto"  
    mirror: 1  # 1表示开启镜像，0表示关闭，也可用ture和false来表示  
    # 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  
    crop_size: 227  
  }

后面的data_param部分，就是根据数据的来源不同，来进行不同的设置。

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。

示例：

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

示例：

layer {  
  top: "data"  
  top: "label"  
  name: "memory_data"  
  type: "MemoryData"  
  memory_data_param{  
    batch_size: 2  
    height: 100  
    width: 100  
    channels: 1  
  }  
  transform_param {  
    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: "examples/hdf5_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：

layer {  
  name: "data"  
  type: "ImageData"  
  top: "data"  
  top: "label"  
  transform_param {  
    mirror: false  
    crop_size: 227  
    mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"  
  }  
  image_data_param {  
    source: "examples/_temp/file_list.txt"  
    batch_size: 50  
    new_height: 256  
    new_width: 256  
  }  
}

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"  
  }  
}