我覺得學習caffe，必須得做到會修改源碼，剛開始可以不需要知道所有的函數是如何實現的，但必須得知道里邊都有哪些函數，這些函數都可以幹什麼。
用網上流行的比喻：Blobs,Layers,Nets的關係就好比，Blob是磚塊，Layer是牆，net是一棟大樓。
Blob:
Blob是一個模板類，在內存中表示4維數組，維度從低到高爲：width、height、channels（顏色通道）、num（第幾幀）
函數總結：
- Reshape：變形函數，根據輸入參數重新設置當前Blob形狀
- cpu_data：只讀獲取cpu data的指針
- set_cpu_data：修改cpu data的指針
- gpu_data：只讀獲得gpu data的指針
- cpu_diff：只讀獲得cpu diff的指針
- gpu_diff：只讀獲得gpu diff的指針
- mutable_cpu_data：讀寫訪問cpu data的指針
- mutable_gpu_data：讀寫訪問gpu data的指針
- mutable_cpu_diff：讀寫訪問cpu diff的指針
- mutable_gpu_diff：讀寫訪問gpu diff的指針
- ShareData：共享data指針
- ShareDiff：共享diff指針
- Update：網絡參數Blob的更新
- asum_data：計算data的L1範數
- sumsq_data：計算data的L2範數
- scale_data：對data進行幅度縮放
- CopyFrom：從另一個Blob對象拷貝data
- FromProto：從BlobProto中加載一個Blob
- ToProto：將Blob中的data導出到BlobProto結構體
Layer:
Layer至少有一個輸入Blob和一個輸出Blob，部分Layer帶有權值和偏置項，有兩個運算方向：前向傳播、後向傳播
值得注意的是：大部分函數沒有在Layer.cpp中實現，只有虛函數，真正實現的都在派生類中，具體看各個cpp
函數總結：
- Reshape：變形函數，修改Top Blob以及內部Blob緩衝區的形狀
- Forward：前向傳播函數，給定Bottom Blob，計算Top Blob和Loss，返回值爲當前層loss
- Backward：反向傳播函數，給定Top Blob誤差梯度，就按Bottom Blob誤差梯度
- ToProto：將Layer初始化參數寫入ProtoBuffer緩衝區中
- loss：返回某個Top Blob相關的標量loss值
- CheckBlobCounts：校驗輸入/輸出BLob數目是否滿足Layer要求
- SetLossWeights：該函數在layer中SetUp函數中被調用，主要目的是初始化與Top Blob相關的loss權重，放到Top Blob的diff域中，實際由Forward()計算loss
在layer中的Forward和Backward是前向傳播函數和後向傳播函數包裝，不需要修改這兩個函數，使用的時候只需要在派生類改寫Forward_cpu、Forward_gpu、Backward_cpu、Backward_gpu
Net:
Net在caffe中代表一個完整的CNN模型，它包括若干Layer實例
函數總結：
- ForwardPrefilled：運行前向傳播，輸入Blob已經預先填充
- ForwardFromTo：前向傳播的其中一種形式，還包括其他兩種形式
- Forward：前向傳播，指定輸入Blob進行前向傳播
- ClearParamDiffs：清零所有權值的diff域，應在反向傳播之前運行
- Backward：反向傳播，無需指定輸入/輸出Blob，因爲前向傳播的時候已經建立聯繫
- ForwardBackward：前向傳播+後向傳播，輸入爲Bottom Blob，輸出爲loss
- Update：根據已經（solver）準備好的diff值更新網絡權值
- ToProto：序列化一個Net到ProtoBuffer
- ToHDF5：序列化一個Net到HDF5
- num_inputs：返回輸入Blob數目
- num_output：返回輸出Blob數目
- FilterNet：過濾掉用戶指定的在某個階段、級別、狀態下不應該包含的Layer
- AppendTop：爲網絡追加一個Top Blob
- AppendBottom：爲網絡追加一個Bottom Blob
- AppendParam：爲網絡追加一個權值Blob