神经网络是由层组成的，深度神经网络就是层数多了。layer对应神经网络的层。数据以Blob的形式，在不同的layer之间流动。caffe定义的神经网络已protobuf形式定义。例如：

layer {

  name: "conv1"

  type: "Convolution"

  bottom: "data"

  top: "conv1"

  ......

}

就是定义了一个卷积层，bottom是其前一层，而top是其后一层。前向传播计算过程就是获取bottom的输出（Blob），当做输入，通过计算（Forward），输出Blob给下一层top；每一层还有一个反向传播Backforward。不同的层实现的前向传播和反向传播不相同，但是它们都有同一个基类class Layer。

成员变量

先看一下Layer的成员变量，这些成员变量都是层的基本变量，不同的层都需要这些变量，这些成员变量访问权限为protected

LayerParameter layer_param_;

  /** The phase: TRAIN or TEST */

  Phase phase_;

  /** The vector that stores the learnable parameters as a set of blobs. */

  vector<shared_ptr<Blob<Dtype> > > blobs_;

  /** Vector indicating whether to compute the diff of each param blob. */

  vector<bool> param_propagate_down_;

  /** The vector that indicates whether each top blob has a non-zero weight in

   *  the objective function. */

  vector<Dtype> loss_;

layer_param_类型为LayerParameter，具体定义在caffe_root/src/caffe/protocaffe.proto中，描述了层的一些信息，例如是测试还是训练，其bottom和top等。

phase_是枚举变量，指明这一层是训练还是测试。

blobs_是容器，其容器内元素类型为指向Blob的智能指针，存储内容为权重w和偏置b，即这一层需要训练的参数。

param_propagate_down_是保存bool类型的容易，即是否要计算Blob的梯度diff

loss_是容器，标志着top blob是否有非零权重

还有2个private访问权限的变量：

bool is_shared_;//标记layer是否被nets共享

/** The mutex for sequential forward if this layer is shared */

shared_ptr<boost::mutex> forward_mutex_;//如果layer被共享，使用前要加锁

layer可以被网络共享，如果共享，使用layer时，需要给layer加锁。

初始化过程

layer构造函数需要LayerParameter类型参数，这个参数往往定义在网络的protobuf中。通过构造函数来初始化，给blobs_分配空间，随后从Layerparameter中填充分配的内存。

    explicit Layer(const LayerParameter& param)

    : layer_param_(param), is_shared_(false) {

      // Set phase and copy blobs (if there are any).

      phase_ = param.phase();

      if (layer_param_.blobs_size() > 0) {

        blobs_.resize(layer_param_.blobs_size());

        for (int i = 0; i < layer_param_.blobs_size(); ++i) {

          blobs_[i].reset(new Blob<Dtype>());

          blobs_[i]->FromProto(layer_param_.blobs(i));

        }

      }

    }

之后调用SetUp函数，这个函数会初始化互斥量，检查输入输出合法性。调用LayerSetUp设置详细参数，Reshape调整Blob结构，这两个虚函数，不同的层实现不同。最后来设置top blobs的loss function的权重

  inline void SetLossWeights(const vector<Blob<Dtype>*>& top) {

    const int num_loss_weights = layer_param_.loss_weight_size();//在protobuf中获取权重个数

    if (num_loss_weights) {

      CHECK_EQ(top.size(), num_loss_weights) << "loss_weight must be "//检查权重个数是否匹配

          "unspecified or specified once per top blob.";

      for (int top_id = 0; top_id < top.size(); ++top_id) {

        const Dtype loss_weight = layer_param_.loss_weight(top_id);//从protobuf中获取对应权重

        if (loss_weight == Dtype(0)) { continue; }//权重为零则不赋值

        this->set_loss(top_id, loss_weight);//设置权重

        const int count = top[top_id]->count();

        Dtype* loss_multiplier = top[top_id]->mutable_cpu_diff();//得到diff指针

        caffe_set(count, loss_weight, loss_multiplier);//给diff指针赋值

      }

    }

  }

前向传播和反向传播

Layer最重要的功能就是前向传播和反向传播。前向传播，是数据沿着网络向前流，反向传播是梯度（误差）反方向往回流，用来更新权重和偏置。对应的函数为Forward何Backward，再详细一点，这两个函数还应该有对应的CPU版本和GPU版本。

不同类型的Layer，前向和反向传播具体实现不同，在Layer层，这是两个纯虚函数。