在训练lenet的train_lenet.sh中内容为：
./build/tools/caffe train –solver=examples/mnist/lenet_solver.prototxt由此可知,训练网咯模型是由tools/caffe.cpp生成的工具caffe在模式train下完成的。
初始化过程总的来说，从main()、train()中创建Solver，在Solver中创建Net，在Net中创建Layer.
1. 程序入口
找到caffe.cpp的main函数中，通过GetBrewFunction(caffe::string(argv[1]))()调用执行train()函数。
train中,通过参数-examples/mnist/lenet_solver.prototxt把solver参数读入solver_param中。
随后注册并定义solver的指针
shared_ptr<caffe::Solver<float> >
solver(caffe::SolverRegistry<float>::CreateSolver(solver_param))调用solver的Solver()方法。多个GPU涉及到GPU间带异步处理问题.
if (gpus.size() > 1) {
caffe::P2PSync<float> sync(solver, NULL, solver->param());
sync.run(gpus);
} else {
LOG(INFO) << "Starting Optimization";
solver->Solve();
}2. Solver的创建
在1中，Solver的指针solver是通过SolverRegistry::CreateSolver创建的，CreateSolver函数中值得注意带是return registry[type](param)
// Get a solver using a SolverParameter.
static Solver<Dtype>* CreateSolver(const SolverParameter& param) {
const string& type = param.type();
CreatorRegistry& registry = Registry();
CHECK_EQ(registry.count(type), 1) << "Unknown solver type: " << type
<< " (known types: " << SolverTypeListString() << ")";
return registry[type](param);
}其中:
registry是一个map<string,Creator>： typedef std::map<string, Creator> CreatorRegistry
其中Creator是一个函数指针类型：typedef Solver<Dtype>* (*Creator)(const SolverParameter&) ``registry[type]为一个函数指针变量，在Lenet5中，此处具体的值为caffe::Creator_SGDSolver<float>(caffe::SolverParameter const&)
其中Creator_SGDSolver在以下宏中定义， REGISTER_SOLVER_CLASS(SGD)
该宏完全展开得到的内容为：
template <typename Dtype> \
Solver<Dtype>* Creator_SGDSolver( \
const SolverParameter& param) \
{ \
return new SGDSolver<Dtype>(param); \
} \
static SolverRegisterer<float> g_creator_f_SGD("SGD", Creator_SGDSolver<float>); \
static SolverRegisterer<double> g_creator_d_SGD("SGD", Creator_SGDSolver<double>)从上可以看出，registry[type](param)中实际上调用了SGDSolver带构造方法，事实上，网络是在SGDSolver的构造方法中初始化的。
SGDSolver的定义如下：
template <typename Dtype>
class SGDSolver : public Solver<Dtype> {
public:
explicit SGDSolver(const SolverParameter& param)
: Solver<Dtype>(param) { PreSolve(); }
explicit SGDSolver(const string& param_file)
: Solver<Dtype>(param_file) { PreSolve(); }
......SGDSolver继承与Solver<Dtype>，因而new SGDSolver<Dtype>(param)将执行Solver<Dtype>的构造函数，然后调用自身构造函数。整个网络带初始化即在这里面完成.
3. Solver::Solve()函数
在这个函数里面，程序执行完网络的完整训练过程。
核心代码如下：
template <typename Dtype>
void Solver<Dtype>::Solve(const char* resume_file) {
Step(param_.max_iter() - iter_);
//..
Snapshot();
//..
// some additional display
// ...
}说明：
值得关注的代码是Step()，在该函数中，值得了param_.max_iter()轮迭代（10000）
在Snapshot()中序列化model到文件.
4. Solver::Step()函数
template <typename Dtype>
void Solver<Dtype>::Step(int iters) {
//10000轮迭代
while (iter_ < stop_iter) {
// 每隔500轮进行一次测试
if (param_.test_interval() && iter_ % param_.test_interval() == 0
&& (iter_ > 0 || param_.test_initialization())
&& Caffe::root_solver()) {
// 测试网络，实际是执行前向传播计算loss
TestAll();
}
// accumulate the loss and gradient
Dtype loss = 0;
for (int i = 0; i < param_.iter_size(); ++i) {
// 执行前向反向传播，前向计算损失loss，并计算loss关于权值的偏导
loss += net_->ForwardBackward(bottom_vec);
}
// 平滑loss，计算结果用于输出调试等
loss /= param_.iter_size();
// average the loss across iterations for smoothed reporting
UpdateSmoothedLoss(loss, start_iter, average_loss);
// 通过反向传播计算的偏导更新权值
ApplyUpdate();
}
}(1). Solver::TestAll()函数
在TestAll()中，调用Test(test_net_id)对每个测试网络test_net（不是训练网络train_net）进行测试。在Lenet中，只有一个测试网络，所以只调用一次Test(0)进行测试。
Test()函数里面做了两件事：
- 前向计算网络，得到网络损失
- 通过测试网络的第11层accuracy层，与第12层loss层结果统计accuracy与loss信息。
(2). Net::ForwardBackward()函数
Dtype ForwardBackward(const vector<Blob<Dtype>* > & bottom) {
Dtype loss;
Forward(bottom, &loss);
Backward();
return loss;
}说明：
- 前向计算。计算网络损失loss，参考 （Caffe，LeNet）前向计算（五）
- 反向传播。计算loss关于网络权值的偏导，参考 （Caffe，LeNet）反向传播（六）
(3). Solver::ApplyUpdate()函数
根据反向传播阶段计算的loss关于网络权值的偏导，使用配置的学习策略，更新网络权值从而完成本轮学习。
5. 训练完毕
至此，网络训练优化完成。在第3部分solve()函数中，最后对训练网络与测试网络再执行一轮额外的前行计算求得loss，以进行测试。