layer {
  name: "cifar"    //自定义层名称
  type: "Data"     //数据层: Data表示数据来源于LevelDB或LMDB
  top: "data"      //bottom表示输入数据
  top: "label"     //top表示输出数据, 如果有多个 top或多个bottom，表示有多个blobs数据的输入和输出
  include {
    phase: TRAIN   //训练和测试的时候模型使用的层是不一样的,需要用include来指定
  }
  #数据的预处理
  transform_param {
      scale: 0.00390625   //scale为0.00390625(1/255), 即将输入数据由0-255归一化到0-1之间
      mean_file_size: "examples/cifar10/mean.binaryproto"  //用一个配置文件来进行均值操作
      mirror: 1         // 1表示开启镜像，0表示关闭，也可用ture和false来表示
      crop_size: 227   //剪裁一个 227*227的图块，在训练阶段随机剪裁，在测试阶段从中间裁剪
    }
  data_param {
      ......
  }
}

layer {
  name: "conv1"           //自定义层名称
  type: "Convolution"     //卷积层
  bottom: "data"          //数据层作为输入
  top: "conv1"            //输出层
  param {
    lr_mult: 1      //权值W的学习率的系数, 最终的学习率是`lr_mult`乘以solver.prototxt配置文件中的`base_lr`
  }
  param {
    lr_mult: 2      //偏置项b学习率的系数,一般偏置项的学习率是权值学习率的两倍
  }
  #设置卷积层的特有参数
  convolution_param {
    num_output: 20    //卷积核(filter)的个数
    kernel_size: 5    //卷积核的大小, 如果卷积核的长和宽不等，需要用kernel_h和kernel_w分别设定
    stride: 1         //卷积核的步长，默认为1,也可以用stride_h和stride_w来设置上下和左右采用不同的步长
    pad: 0            //对输入进行边缘扩充，默认为0, 也可以通过pad_h和pad_w来分别设置
    bias_term: false  //是否开启偏置项，默认为true
    group: 1          //默认为1组, 如果根据图像的通道来分组，那么第i个输出分组只能与第i个输入分组进行连接。
    weight_filler {
      type: "xavier"     //权值初始化, 默认为“constant",值全为0, 常用"xavier"，也可以设置为”gaussian"
    }
    bias_filler {
      type: "constant"  //偏置项的初始化。一般设置为"constant",值全为0
    }
  }
}

layer {
  name: "pool1"         //自定义层名称
  type: "Pooling"       //层类型：Pooling
  bottom: "conv1"       //卷积层的输出作为该层的输入
  top: "pool1"          //输出层
  pooling_param {
    pool: MAX           //池化方法，默认为MAX, 还有MAX,AVE,STOCHASTIC等
    kernel_size: 3      //池化的核大小, 也可以用kernel_h和kernel_w分别设定
    stride: 2           //池化的步长，默认为1, 一般设置为2，即不重叠, 也可以用stride_h和stride_w来设置
  }
}

layers {
  name: "norm1"     
  type: LRN            //层类型：LRN
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 5      //如果是跨通道LRN，则表示求和的通道数；如果是在通道内LRN，则表示求和的正方形区域长度
    alpha: 0.0001      //归一化公式中的参数
    beta: 0.75         //归一化公式中的参数
    norm_region: "ACROSS_CHANNELS" // ACROSS_CHANNELS表示在相邻的通道间求和归一化; WITHIN_CHANNEL表示在一个通道内部特定的区域内进行求和归一化, 与前面的local_size参数对应
  }
}

layer {
  name: "encode1neuron"
  bottom: "encode1"
  top: "encode1neuron"
  type: "Sigmoid"       //层类型：Sigmoid
}

layer {
  name: "layer"
  bottom: "in"
  top: "out"
  type: "TanH"   //层类型：TanH
}

layer {
  name: "relu1"
  type: "ReLU"     //层类型：ReLU
  bottom: "pool1"
  top: "pool1"
}

layer {
  name: "layer"
  bottom: "in"
  top: "out"
  type: "AbsVal"
}

layer {
  name: "layer"
  bottom: "in"
  top: "out"
  type: "Power"
  power_param {
    power: 2    
    scale: 1
    shift: 0
  }
}

layer {
  name: "layer"
  bottom: "in"
  top: "out"
  type: “BNLL”
}

layers {
  name: "prob"   
  bottom: "cls3_fc" //输入特征值
  top: "prob"      //输出概率大小
  type: “Softmax"
}

layer {
  name: "loss"
  type: "SoftmaxWithLoss"
  bottom: "ip1"     //输入模型预测值
  bottom: "label"   //输入真实值
  top: "loss"       //输出损失值
}

layer {
  name: "ip1"
  type: "InnerProduct"      //层类型：InnerProduct
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1              //权值W的学习率系数
  }
  param {
    lr_mult: 2              //偏置项b的学习率系数
  }
  inner_product_param {
    num_output: 500        //滤波器（filter)的个数
    weight_filler {
      type: "xavier"       //权值初始化
    }
    bias_filler {
      type: "constant"     //偏置项的初始化
    }
  }
}

layer {
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
}

layer {
    name: "reshape"
    type: "Reshape"     //层类型：Reshape
    bottom: "input"
    top: "output"
    # 可选的参数组shape, 用于指定blob数据的各维的值（blob是一个四维的数据：n*c*w*h）
    reshape_param {
      shape {
        dim: 0  //表示维度不变，即输入和输出是相同的维度
        dim: 2  //将原来的维度变成2
        dim: 3  //将原来的维度变成3
        dim: -1 //表示由系统自动计算维度, 数据的总量不变，系统会根据blob数据的其它三维来自动计算当前维的维度值
      }
    }
  }

layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7-conv"
  top: "fc7-conv"
  dropout_param {
    dropout_ratio: 0.5   //随机失活概率
  }
}