example下imagenet文件夹下的train_caffenet.sh里面的配置文件为models/bvlc_reference_caffenet/solver.prototxt，找到了solver.prototxt，里面对应的模型为，models/bvlc_reference_caffenet/train_val.prototxt，所以本博文，主要描述的是models/bvlc_reference_caffenet/train_val.prototxt。而且从model文件夹里面可以看到有alenet。说明这个其实这里面调用的模型，跟论文ImageNet Classification with Deep Convolutional Neural Networks里的模型是有点区别了。不过差距不大，帮助理解论文里面模型的整体思路，还是很有帮助的。
本文主要参考：ImageNet Classification with deep convolutional neural networks
下面主要就是对模型bvlc_reference_caffenet/train_val.prototxt的理解，最开始也说明了，这是CaffeNet，说明这就是caffe调用的net了。
问题：
1、哎，这模型，由于渣显卡。我还没跑过。要跑起来，没跑过，写这博文，总感觉没底气。关于batchsize这块，都是看的[caffe]深度学习之图像分类模型AlexNet解读，上面最后输出的数据，所以以后自己能跑代码的时候，再回来看看有啥问题。
2、这数据里面又出现了mean_file: "data/ilsvrc12/imagenet_mean.binaryproto"，这均值为啥了。
训练阶段：
由于这个模型，前面几层把卷积和池化都合并了，所以如果当看图来说，相对于之前的MNIST，把卷积和池化层分开来画。这图没那么清晰的思路。
输入数据：数据为256 3 227 227。由于设置的batch_size: 256，而且输入的为227x227的RGB图像。所以输入的为256 3 227 227。其实这227x227，就跟那alexnet的数据224x224不同了。
第一层 第一个卷积层：数据变为256 96 55 55。跟论文中一样，也是96个核（不过这个据贾扬清自己说，这个是单GPU的模型了，不是双GPU）。每个核大小还是11x11，步长为4。看到一种更好的计算卷积后尺寸大小的方式：（227-11）/4+1=55。等于相当于减去了卷积核大小，然后看看有多少个步长，由于前面算的是中间的长度，然后+1，就是最后卷积后的特征的尺寸。这里其实也能看出为啥输入数据的尺寸变为227，就是为了对于卷积后得到55x55尺寸的特征图的情况下面，不会出现像论文中一样需要填充。这在我论文笔记里面也提到了要填3个像素。这等于把3个像素补上了，224+3=227。
ReLU,在卷积之后马上ReLU，这在cifar10模型中其实就有了，但是cifar10第二个卷积之后才ReLU的，这直接就ReLU了，不知道是出于哪方面考虑的，是数据量太大。需要马上稀疏来提取局部特征
第一层 第一个卷积层：数据变为