layer {
  name: "my_data"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TRAIN
  }
  transform_param {
    mean_file: "/home/hanwannan/mean.binaryproto"
    scale: 0.00390625
    mirror: 1  # 1表示開啟資料增強，0表示關閉，也可用ture和false來表示
    # 剪裁一個 32*32的圖塊，在訓練階段隨機剪裁，在測試階段從中間裁剪
    crop_size: 32
  }
  data_param {
    source: "/home/hanwannan/train_lmdb"
    batch_size: 128
    backend: LMDB
  }
}
 

name: 表示該層的名稱，可隨意取

type: 層型別，如果是Data，表示資料來源於LevelDB或LMDB。根據資料的來源不同，資料層的型別也不同。

top或bottom: 每一層用bottom來輸入資料，用top來輸出資料。如果只有top沒有bottom，則此層只有輸出，沒有輸入。反之亦然。如果有多個 top或多個bottom，表示有多個blobs資料的輸入和輸出。

data 與 label: 在資料層中，至少有一個命名為data的top。如果有第二個top，一般命名為label。 這種(data,label)配對是分類模型所必需的。

include

Transformations:
     資料的預處理，可以將資料變換到定義的範圍內。
     scale : 0.00390625，實際上就是1.0/256, 即將輸入資料由0-255歸一化到0-1之間
      mean_file : 均值檔案(如何生成後續會發程式碼)
      mirror: 1 1表示開啟資料增強，0表示關閉，也可用ture和false來表示
     crop_size: 32# 剪裁一個 32*32的圖塊，在訓練階段隨機剪裁，在測試階段從中間裁剪

data_param引數就是根據資料的來源不同，來進行不同的設定。

資料來自於資料庫如LMDB的引數配置

必選引數：

  source: 資料集路徑，如/home/hanwannan/train_lmdb(後續會發表lmdb資料集製作方法)

  batch_size: 每次處理的資料個數，如128

可選的引數：

  rand_skip: 在開始的時候，路過某個資料的輸入。通常對非同步的SGD很有用。

  backend: 選擇是採用LevelDB還是LMDB, 預設是LevelDB.