#include <vector>
#include <iostream>
//將Blob內部值保存到磁盤，或者從磁盤載入內存，可以分別通過ToProto()、FromProto（）實現
#include <caffe/util/io.hpp> //存需要包含這個文件
#include <caffe/blob.hpp>  #包含頭文件                                                                                              
using namespace caffe; #命名空間
using namespace std;

int main(void)
{
  Blob<float>  a;  #創建Blob對象a
  cout<<"Size :"<<a.shape_string()<<endl;   #打印維度信息 Size ：(0)
  a.Reshape(1,2,3,4);
  cout<<"Size :"<<a.shape_string()<<endl; #打印維度信息 Size：1 2 3 4 (24)
                                                                                                                                     float *p = a.mutable_cpu_data();  #修改內部數值 mutable_cpu[gpu]_data[diff]
  float *q = a.mutable_cpu_diff();  #修改內部數值 mutable_cpu[gpu]_data[diff]
  for(int i = 0; i < a.count(); i ++)
 {
        p[i] = i; #將data初始化為1,2,3...
 q[i] =a.count()-1-i ; #將diff初始化為23,22,21...
 }
 a.update(); #執行Update操作，將diff與data融合（這也是CNN權值更新步驟的追蹤實施者）                                   # Update()實現 data=data-diff

BlobProto bp;    #構造一個BlobProto對象
a.ToProto(&bp,true);  #將a序列化，連通diff（默認不帶）
WriteProtoToBinaryFile(bp,"a.blob");  #寫入磁盤文件a.blob"
ReadProtoFromBinaryFileOrDie("a.blob",&bp2)
Blob<float> b;   #新建一個Blob對象b
b.FromProto(bp2,true);  #從序列化對象bp2總克隆b（連通形狀）

 for(int u = 0; u < a.num(); u ++)
 {
  for(int v = 0; v < a.channels(); v ++) 
   {
     for(int w = 0; w < a.height(); w ++)
     {
	for(int x = 0; x < a.width(); x ++)
        {
	  cout<<"a["<<u<<"]["<< v << "][" << w << "][" << x << "] =" << a.data_at(u,v,w,x)<< endl;
   #下標訪問 a[][][][]=-23、-21......21、23
        }
     }
   }
 }
cout<<"ASUM = " << a.asum_data()<< endl;    #所有元素絕對值之和（L1-范數） ASUM = 288                         cout<<"SUMSQ = " << a.sumsq_data()<< endl;  # 平方和 （L2-范數）SUMSQ = 4600
 return 0; 
}

• Layer頭文件位于include/caffe/layer.hpp中；
• Layer源文件位于src/caffe/layer.cpp中（大部分函數并沒有實現 ，只有虛函數）；
• Layer的相關函數的實現在派生類，具體代碼在src/caffe/layers/*.cpp ;Layer類是一個虛基類，不能直接創建對象。

• 描述文件   *.prototxt    (models/bvlc_reference_caffenet/deploy.prototxt );
• Net中既包括Layer對象，又包括Blob對象。Blob對象用于存放每個Layer輸入/輸出中間結果，Layer根據Net描述對指定的輸入Blob進行某些處理（卷積、下采樣、全連接、非線性變換、計算代價函數等），輸出結果放到指定的輸出Blob中。輸入Blob與輸出Blob可能為同一個。
• 所有的Layer和Blob對象都用名字區分，同名的Blob表示同一個Blob對象。同名的Layer表示同一個Layer對象，Blob和Layer同名不代表他們有任何直接關系。

• Blob提供數據容器的機制；
• Layer通過不同的策略使用該數據容器，實現多元化的計算處理過程，同時又提供了深度學習各種基本算法（卷積、下采樣、損失函數計算等）的機制；
• Net則利用Layer這些機制，組合為更完整的深度學習模型，提供了更加豐富的學習策略。