深度学习框架caffe代码解析一：主要类的关系说明

          最近一段时间一直在研究caffe windowss的源代码，由于windows版本不是官方的正式版本，一直没有更新，所以可能后面代码结构已经发生了变化。下面是我对一些主要类的的理解，错误之处请指教。

           Bolb：在caffe中数据都保存在Bolb类中。包括每一层的输入与输出（vector<vector<Blob<Dtype>*> >结构），还有卷积核（vector<shared_ptr<Blob<Dtype> > >）以及全链接层的权重等。

          Layer类：在卷积神经网络中，有各种不同类型的层，在caffe中Layer类是所有层类的基类。Layer类有四个基本方法：

                         SetUp：是每个层的初始化方法。

                         Forward：是每个层的向前过程方法。

                         Backward：是每个层向后反馈的方法。

                         blobs：是返回每个层的数据（卷积和权重、偏置等）。

                       ConvolutionLayer类：是卷积层类，caffe的主要结构。  他在实现过程中使用了一个重要的方法im2col_cpu来加速cpu运算，这个方法还没有细看。

                        PoolingLayer类：下采样层类。一般支持MAX和AVE两种模式。

                         InnerProductLayer类：全链接层。

                         从层类的名字基本上可以看出他们的具体结构，这里就不细说了。

          net类：这个就是我们的网络了。

                       成员vector<shared_ptr<Layer<Dtype> > > layers_;组成网络的层。

                        方法 const vector<Blob<Dtype>*>& Net<Dtype>::ForwardPrefilled(Dtype* loss) 中代码：    

                             for (int i = 0; i < layers_.size(); ++i) {

                                      ·······

                             Dtype layer_loss = layers_[i]->Forward(bottom_vecs_[i], &top_vecs_[i]);

                                      ·······

                             }

                             实现了网络向前传递的过程，向后反馈的代码类似。