輸入層
input_param詳細解釋：
- dim:1 ——表示對待識別樣本進行數據增廣的數量，該值的大小可自行定義。但一般會進行5次crop(剪裁)，將整幅圖像分爲多個flip。該值爲10則表示會將待識別的樣本分爲10部分輸入到網絡進行識別。如果相對整幅圖像進行識別而不進行圖像數據增廣，則可將該值設置爲1.
- dim: ——該值表示處理的圖像的通道數，若圖像爲RGB圖像則通道數爲3，設置該值爲3；若圖像爲灰度圖，通道數爲1則設置該值爲1.
- dim:28 ——圖像的長度，可以通過網絡配置文件（*_train_test.prototxt）中的數據輸入層中的crop_size來獲取。
- dim:28——圖像的寬度，可以通過網絡配置文件（*_train_test.prototxt）中的數據輸入層中的crop_size來獲取。
注：測試的圖像的寬度和高度設置一定要和訓練時（原圖or截圖）的圖像的高度和寬度設置爲一致。若網絡配置文件中沒有設置crop_size,則說明訓練時使用的是原圖。
數據層
Batch_size:批尺寸，該參數決定一次訓練的樣本數目，影響到模型的優化程度和速度。
圖像數據層
當訓練的數據直接爲圖片時，使用圖像數據層。
卷積層
- lr_mult:學習率係數，最終的學習率等於該學習率係數乘以超參數中的base_lr，第一個lr_mult表示權值的學習率係數，第二個表示偏置的學習率係數。
- num_output:卷積核的個數，n個卷積核輸出n個feature map，代表n個特徵。
- kernel_size: 卷積核的大小。如果卷積核的長和寬不等，需要用kernel_h和kernel_w分別設定。
- stride: 卷積核移動的步長，默認爲1。也可以用stride_h和stride_w來設置。
- pad：擴充的時候是左右、上下對稱的，比如卷積核的大小爲5*5，那麼pad設置爲2，則四個邊緣都擴充2個像素，即寬度和高度都擴充了4個像素，這樣卷積運算之後的特徵圖就不會變小。 也可以通過pad_h和pad_w來分別設定。
得出：
output_dimention:
例如：
width = (image_width - kernel_width )/stride + 1
(28 - 5) +1 = 24
輸入是28 * 28 * 1的圖像，卷積核大小爲5，移動的步長爲1，可以得出每個卷積核產生的feature map的大小爲24 * 24 ;
卷積核的個數爲20，所以輸出的維度爲24 * 24 * 20。
num_parameters:
由於CNN通過感受野進行了權值共享，所以同一個feature Map中神經元權值共享，所以參數個數與神經元個數無關，與卷積核大小和FeatureMap個數相關。
每個卷積核5 * 5個參數，和20個偏置參數。
num_parameters = 5 * 5 * 1 * 20 + 20 = 520（單通道圖像 * 1）
倘若卷積層的輸入爲3維矩陣。
假設爲輸入11 * 11 * 20，卷積核參數爲kernel_size = 5, stride = 1, num_out_put = 50
輸出爲 7 * 7 * 50
總參數爲：5 * 5 * 20 * 50 + 50 = 2550（相當於20通道的圖像作爲輸入）
池化層
用於減少訓練參數規模。
- Pool：池化層類型。
- Kernel_size:過濾器大小。
- Stride:過濾器移動步長，一般這個參數是大於的，不然起不到減少訓練參數規模的效果。
得出：
output_dimention:
輸入爲上一層的輸出，爲24 * 24 * 20
(24 - 2)/2 +1 = 11
所以該層的輸出矩陣爲11 * 11 * 20
池化層沒有參數需要訓練
全連接層
- lr_mult:學習率係數，最終的學習率等於該學習率係數乘以超參數中的base_lr，第一個lr_mult表示權值的學習率係數，第二個表示偏置的學習率係數。
- num_output:卷積核的個數，n個卷積核輸出n個feature map，代表n個特徵。
全連接層卷積核大小等於輸入大小，卷積核不會移動，所以也不存在移動步長參數。
得出
output_dimention:
1 * 1 * 500 = 500 是一個長度爲500的一維向量。
num_parameters:
n * n * 500 + 500其中n爲該層的輸入維度。