## Define the MNIST Network
name: "LeNet"        // 网络（Net）的名称

### Writing the Data Layer
layer {              // 定义一个层（Layer）
  name: "mnist"      // 层的名称为mnist
  type: "Data"       // 层的类型为数据层
  top: "data"        // 层的输出Blob有两个:data和label
  top: "label"
  include {          
    phase: TRAIN      // 该层参数只在训练阶段有效
  }
  transform_param {
    scale: 0.00390625  // 数据变换使用的数据缩放因子
#   mean_file: "../../examples/cifar10/mean.binaryproto"  // 均值文件；（图像像素值-均值）
  }
  data_param {         // 数据层参数
    source: "examples\\mnist\\mnist_train_lmdb"   //LMDB路径，一定要配置好相对路径
    batch_size: 64     // 批量数据，一次读取64张图
    backend: LMDB      // 数据格式为LMDB
  }
}
layer {                // 一个新数据层，名字也叫mnist，输出blob也是data和label，但这里定义的参数只在分类阶段有效
  name: "mnist"
  type: "Data"
  top: "data"
  top: "label"
  include {
    phase: TEST
  }
  transform_param {
    scale: 0.00390625
  }
  data_param {
    source: "..\\..\\examples\\mnist\\mnist_test_lmdb"
    batch_size: 100
    backend: LMDB
  }
}
 
layer {
  name: "data"
  type: "Input"
  top: "data"
  input_param { shape: { dim: 10 dim: 3 dim: 227 dim: 227 } }
}

### Writing the Convolution Layer
layer {                    // 定义一个新的卷积层conv1，输入blob为data，输出为conv1
  name: "conv1"
  type: "Convolution"
  bottom: "data"
  top: "conv1"
  param {
    lr_mult: 1              // 权值学习速率倍乘因子，1倍表示保持与全局参数一致；该层lr=lr_mult*base_lr
    decay_mult: 1           // 权重的衰减值的倍乘因子
  }
  param {
    lr_mult: 2              // bias学习速率倍乘因子，是全局参数的2倍；一般偏置项的学习率是权值学习率的两倍。
    decay_mult: 1           // 权重的衰减值倍乘因子
  }
  convolution_param {       // 卷积计算参数
    num_output: 20          // 输出feature map数目为20
    kernel_size: 5          // 卷积核尺寸，5*5
    stride: 1               // 卷积输出跳跃间隔（即滑动窗口平移步进量），1表示连续输出，无跳跃
#   pad:2                   // 扩充边缘，默认为0，不扩充。 扩充的时候是左右、上下对称的，比如卷积核的大小为5*5，那么pad设置为2，则四个边缘都扩充2个像素，即宽度和高度都扩充了4个像素,这样卷积运算之后的特征图就不会变小。也可以通过pad_h和pad_w来分别设定。
    bias_term: ture         // 是否开启偏置项，默认为true, 开启
#   group：2                // 分组，默认为1组。如果大于1，我们限制卷积的连接操作在一个子集内。如果我们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 {         // 权值使用xavier填充器
      type: "xavier"
#     type: "gaussian"
#     std: 0.0001            // 权值使用gaussian填充器
    }
    bias_filler {           // bias使用常数填充器，默认为0
      type: "constant"
      value：0              //可以指定填充值
    }
  }
}

### Writing the ReLU Layer
layer {                          // 新的非线性层，用ReLU方法
  name: "relu1"
  type: "ReLU"
  bottom: "conv1"
  top: "conv1"
}

### Writing the Pooling Layer
layer {                      // 定义新的下采样层pool1，输入blob为conv1，输出blob为pool1
  name: "pool1"
  type: "Pooling"
  bottom: "conv1"
  top: "pool1"
  pooling_param {             // 下采样参数
    pool: MAX                 // 使用最大值下采样方法；有三种池化方法：MAX,AVG,STOCHASTIC
    kernel_size: 2            // 下采样窗口尺寸2*2
    stride: 2                 // 下采样输出跳跃间隔2*2（每次平移的步进量是2）
  }
}

### Writing the Local Response Normalization(LRN) Layer  局部归一化层
layer {
  name: "norm1"
  type: "LRN"
  bottom: "pool1"
  top: "norm1"
  lrn_param {
    local_size: 3      // 对于cross channel LRN，表示需要求和的channel的数量；对于within channel LRN，表示需要求和的空间区域的边长。默认为5
    alpha: 5e-05
    beta: 0.75
    norm_region: WITHIN_CHANNEL  //  默认为ACROSS_CHANNELS。有两个选择，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。
  }
}

### Writing the Fully Connected Layer
layer {                        // 新的全连接层，输入blob为pool2,输出blob为ip1
  name: "ip1"
  type: "InnerProduct"
  bottom: "pool2"
  top: "ip1"
  param {
    lr_mult: 1
#   decay_mult: 250    // 损失函数中正则项的的系数，防止过拟合????
  }
  param {
    lr_mult: 2
  }
  inner_product_param {         // 全连接层参数
    num_output: 500             // 该层输出元素个数为500
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
    }
  }
}

### Writing the Accuracy Layer
layer {                         // 分类准确率层，只在Testing阶段有效，输入blob为ip2和label，输出blob为accuracy,该层用于计算分类准确率。统计所有测试数据中的分类正确的概率
  name: "accuracy"
  type: "Accuracy"
  bottom: "ip2"
  bottom: "label"
  top: "accuracy"
  include {
    phase: TEST
  }
  accuracy_param {
    top_k: 5       // 默认为top_1，添加该项后，选择测试top_k准确率。
  }
} 

layer {
    name: "reshape"
    type: "Reshape"
    bottom: "input"
    top: "output"
    reshape_param {
      shape {
        dim: 0  # copy the dimension from below
        dim: 2
        dim: 3
        dim: -1 # infer it from the other dimensions
      }
    }
  }

reshape_param {
      shape {
        dim: 0
        dim: 0
        dim: 14
        dim: -1
      }
    }

layer {
  name: "drop7"
  type: "Dropout"
  bottom: "fc7-conv"
  top: "fc7-conv"
  dropout_param {
    dropout_ratio: 0.5
  }
}