深度网络（net）是一个组合模型，它由许多相互连接的层（layers）组合而成。Caffe就是组建深度网络的这样一种工具，它按照一定的策略，一层一层的搭建出自己的模型。它将所有的信息数据定义为blobs，从而进行便利的操作和通讯。Blob是caffe框架中一种标准的数组，一种统一的内存接口，它详细描述了信息是如何存储的，以及如何在层之间通讯的。
1、blob
Blobs封装了运行时的数据信息，提供了CPU和GPU的同步。从数学上来说，Blob就是一个N维数组。它是caffe中的数据基本单位，就像matlab中以矩阵为基本操作对象一样。只是矩阵是二维的，而Blob是N维的。N可以是2,3,4等等。对于图片数据来说，Blob可以表示为（N*C*H*W）这样一个4D数组。其中N表示图片的数量，C表示图片的通道数，H和W分别表示图片的高度和宽度。当然，除了图片数据，Blob也可以用于非图片数据。比如传统的多层感知机，就是比较简单的全连接网络，用2D的Blob，调用innerProduct层来计算就可以了。
2、layer
层是网络模型的组成要素和计算基本单位。层的类型比较多，如Data,Convolution,Pooling,ReLUmSoftmax-loss,Accuracy等，一个层的定义大致如下图：
从bottom进行数据的输入，计算后，通过top进行输出。图中的黄色多边形表示输入输出的数据，蓝色矩形表示层。
每一种类型的层都定义为三种关键的计算：setup,forward and backword
setup：层的建立和初始化，以及在整个模型中的连接初始化。
forward：从bottom得到输入数据，进行计算，并将计算结果送到top，进行输出。
backward：从层的输出端top得到数据的梯度，计算当前层的梯度，并将计算结果送到bottom，向前传递。
3、Net
就像搭积木一样，一个net由多个layer组合而成。
现给出一个简单的2层神经网络的模型定义（加上loss层就变成三层了），先给出这个网络拓扑。
第一层：name为mnist，type为Data，没有输入（bottom），只有两个输出（top），一个为data，一个为label
第二层：name为ip，type为InnerProduct，输入数据data，输出数据ip
第三层：name为loss，type为SoftmaxWithLoss，有两个输入，一个为ip，一个为label，有一个输出loss，没有画出来。
对应的配置文件prototxt就可以这样写：
name: "LogReg"
layer {
name: "mnist"
type: "Data"
top: "data"
top: "label"
data_param {
source: "input_leveldb"
batch_size: 64
}
}
layer {
name: "ip"
type: "InnerProduct"
bottom: "data"
top: "ip"
inner_product_param {
num_output: 2
}
}
layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "ip"
bottom: "label"
top: "loss"
}
第一行将这个模型取名为LogReg，然后是三个layer的定义，参数都比较简单，只列出必须的参数。