caffe原始碼中已經幫我封裝好了各種各樣的layer，但是有時候現有的layer不能滿足設計的網路要求，這個時候需要自己定義一個新的layer，本文參考here，進行簡單講解，具體方式如下：

一.建立.hpp檔案

1.新增你的layer標頭檔案置於 include/caffe/layers/ 下，比如include/caffe/layers/your_layer.hpp

2.your_layer繼承選擇繼承layer.hpp, common_layers.hpp, data_layers.hpp, loss_layers.hpp, neuron_layers.hpp, 或者 vision_layers.hpp其中一種

3.重寫virtual inline const char* type() const { return "YourLayerName"; }函式，這個的目的是為了在寫net.prototxt時，layer{type："YourLayerName"}有所對應

4.根據自己layer的需要，對{*}blob部分方法進行重寫，以此來限制bottom和top的blob個數。比如 要是重寫了 virtual inline int ExactNumBottomBlobs() const { return 1; }就表示限制bottom的blob為1

5.申明
virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top);

virtual void Reshape(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top);
virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top);
virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);

6.要是需要GPU加速，則需申明：
virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,const vector<Blob<Dtype>*>& top);
virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);

7.其他（根據演算法需要的函式以及引數）

可以在/caffe/include/caffe/下找到許多對應的例子，比如inner_product_layer.hpp：

#ifndef CAFFE_INNER_PRODUCT_LAYER_HPP_
#define CAFFE_INNER_PRODUCT_LAYER_HPP_

#include <vector>

#include "caffe/blob.hpp"
#include "caffe/layer.hpp"
#include "caffe/proto/caffe.pb.h"

namespace caffe {

/**
 * @brief Also known as a "fully-connected" layer, computes an inner product
 *        with a set of learned weights, and (optionally) adds biases.
 *
 * TODO(dox): thorough documentation for Forward, Backward, and proto params.
 */
template <typename Dtype>
class InnerProductLayer : public Layer<Dtype> {
 public:
  explicit InnerProductLayer(const LayerParameter& param)
      : Layer<Dtype>(param) {}
  virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);
  virtual void Reshape(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);

  virtual inline const char* type() const { return "InnerProduct"; }
  virtual inline int ExactNumBottomBlobs() const { return 1; }
  virtual inline int ExactNumTopBlobs() const { return 1; }

 protected:
  virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);
  virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom,
      const vector<Blob<Dtype>*>& top);
  virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
      const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
  virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,
      const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);

  int M_;
  int K_;
  int N_;
  bool bias_term_;
  Blob<Dtype> bias_multiplier_;
  bool transpose_;  ///< if true, assume transposed weights
};

}  // namespace caffe

#endif  // CAFFE_INNER_PRODUCT_LAYER_HPP_

二.建立對應的.cpp檔案

1 新增你的原始檔置於 src/caffe/layers/下，比如 src/caffe/layers/your_layer.cpp

2.實現LayerSetUp方法(在這裡你可以讀取layer的引數，權重進行初始化等等)，該方法在layer::SetUp時候被呼叫，用於layer的初始化

3.實現Reshape 方法，根據bottom的shape，修改top的shape等等，也是在layer::SetUp時候被呼叫，用於layer的初始化

4.實現Forward_cpu和Backward_cpu 方法，前向傳播計算loss和top，反向傳播計算diff(梯度)

5.在檔案末尾加上這兩行程式碼(XXXLayer表示layer的類名)，以此在fayer_factory.hpp中註冊了此layer以便於執行時的統一建立
INSTANTIATE_CLASS(XXXLayer);
REGISTER_LAYER_CLASS(XXX);

具體例子可參考here

三.建立.cu檔案

1.如果需要gpu加速的話，那麼你需要在src/caffe/layers/下建立.cu檔案，比如src/caffe/layers/your_layer.cu

2.採用cuda語言程式設計，實現Forward_gpu和Backward_gpu方法，和.cpp檔案中Forward_cpu和Backward_cpu 方法實現類似，需要把所有的cpu字樣改成gpu

具體例子參考here

四.在caffe.proto新增your_layer的message

1.如果想要在net.prototxt中設定你的layer的引數的話，你需要在caffe.proto中定義，定義好之後，即可在forward或者backward的方法中獲取到引數值，進行其他相關運算

一個簡單的例子（InnerProductLayer ）如下：

message InnerProductParameter {
  optional uint32 num_output = 1; // The number of outputs for the layer
  optional bool bias_term = 2 [default = true]; // whether to have bias terms
  optional FillerParameter weight_filler = 3; // The filler for the weight
  optional FillerParameter bias_filler = 4; // The filler for the bias

  // The first axis to be lumped into a single inner product computation;
  // all preceding axes are retained in the output.
  // May be negative to index from the end (e.g., -1 for the last axis).
  optional int32 axis = 5 [default = 1];
  // Specify whether to transpose the weight matrix or not.
  // If transpose == true, any operations will be performed on the transpose
  // of the weight matrix. The weight matrix itself is not going to be transposed
  // but rather the transfer flag of operations will be toggled accordingly.
  optional bool transpose = 6 [default = false];
}

2.與此同時，在caffe.proto 的message LayerParameter中新增對應的訊息,同時更新一下注釋，表明下一個可用的數字大小，比如：

// LayerParameter next available layer-specific ID: 117 (last added: inner_product_param )
message LayerParameter {
...
...
...
  optional InnerProductParameter inner_product_param = 117;
...
...
...
}

五.編譯

最後重新編譯一下caffe程式碼即可

CAFFE_ROOT$
make clean
make all