caffe基础学习（基于Faster RCNN源码）

一、整体介绍

神经网络(net)是一个组合模型，它由许多相互连接的层（layers)组合而成，每一层又会涉及到很多参数（定义在caffe.proto文件中）。
Caffe就是组建深度网络的这样一种工具，它按照一定的策略，一层一层的搭建出自己的模型。它将所有的信息数据定义为blobs，从而进行便利的操作和通讯。

1.blob

blob是caffe框架中一种标准的数组，一种统一的内存接口，它详细描述了信息是如何存储的，以及如何在层之间通讯的。

2.layer

layer有多种类型，例如：Data，Python，Convolution,Pooling等，从bottom进行数据的输入，计算后通过top进行输出，layer之间的数据流动是以blobs的方式进行的。

每种layer都定义了三种关键计算：setup，forward，backward

• setup: 层的建立和初始化，以及在整个模型中的连接初始化。
• forward: 从bottom得到输入数据，进行计算，并将计算结果送到top，进行输出。
• backward: 从层的输出端top得到数据的梯度，计算当前层的梯度，并将计算结果送到bottom,向前传递。
  这里以rpn/anchor_target_layer.py的部分代码为例，显而易见包含以上几个部分

class AnchorTargetLayer(caffe.Layer):
    """
    Assign anchors to ground-truth targets. Produces anchor classification
    labels and bounding-box regression targets.
    """

    def setup(self, bottom, top):
        layer_params = yaml.load(self.param_str_)
        anchor_scales = layer_params.get('scales', (8, 16, 32))
        self._anchors = generate_anchors(scales=np.array(anchor_scales))
        self._num_anchors = self._anchors.shape[0]
        self._feat_stride = layer_params['feat_stride']
        # …………………………省略
        
    def forward(self, bottom, top):
        # Algorithm: