Caffe Source Code Analysis
https://buptldy.github.io/2016/10/09/2016-10-09-Caffe_Code/
./build/tools/caffe train --solver=examples/mnist/lenet_solver.prototxt
其中第一个参数build/tools/caffe是Caffe框架的主要框架，由tools/caffe.cpp文件编译而来，第二个参数train表示是要训练网络，第三个参数是 solver的protobuf描述文件。在Caffe中，网络模型的描述及其求解都是通过 protobuf 定义的，并不需要通过敲代码来实现。同时，模型的参数也是通过 protobuf 实现加载和存储，包括 CPU 与 GPU 之间的无缝切换，都是通过配置来实现的，不需要通过硬编码的方式实现，有关
protobuf的具体内容可参考这篇博文：http://alanse7en.github.io/caffedai-ma-jie-xi-2/。
看了文字看的一头雾水 不会的太多 想哭
Caffe代码解析(1-4) xuesong
这个人的讲解 跨度性很大 看起来很费劲
https://imbinwang.github.io/research/
这个人貌似很高大上
Caffe源码解析之Layer
层的输入输出结构，图示是这样的，
layer_img
每种类型的layer需要定义三种关键操作LayerSetUp, Forward, Backward：
LayerSetUp: 网络构建时初始化层和层的连接
Forward: 网络数据前向传递，给定bottom输入数据，计算输出到top
Backward： 网络误差反向传递，给定top的梯度，计算bottom的梯度并存储到bottom blob
实现细节
Caffe中与Layer相关的头文件有7个，
layer.hpp: 父类Layer，定义所有layer的基本接口。
data_layers.hpp: 继承自父类Layer，定义与输入数据操作相关的子Layer，例如DataLayer，HDF5DataLayer和ImageDataLayer等。
vision_layers.hpp: 继承自父类Layer，定义与特征表达相关的子Layer，例如ConvolutionLayer，PoolingLayer和LRNLayer等。
neuron_layers.hpp: 继承自父类Layer，定义与非线性变换相关的子Layer，例如ReLULayer，TanHLayer和SigmoidLayer等。
loss_layers.hpp: 继承自父类Layer，定义与输出误差计算相关的子Layer，例如EuclideanLossLayer，SoftmaxWithLossLayer和HingeLossLayer等。
common_layers.hpp: 继承自父类Layer，定义与中间结果数据变形、逐元素操作相关的子Layer，例如ConcatLayer，InnerProductLayer和SoftmaxLayer等。
layer_factory.hpp: Layer工厂模式类，负责维护现有可用layer和相应layer构造方法的映射表。
来源： https://imbinwang.github.io/research/inside-caffe-code-layer
后面再详细的看吧，表示看不懂的地方太多了！
https://www.cnblogs.com/louyihang-loves-baiyan/p/5149628.html
Caffe源码解析1：Blob
这篇文章的确超赞，适合初学者