layer可以看作一个函数，读取0个或多个blob的数据作为输入，和内部保存的数据（也使用blob格式存储）进行计算后将结果输出到0或多个blob。
layer使用工厂函数，通过表示类型的字符串来注册和新建。在LayerParemter中使用type字段，在Layer中使用虚函数char* type()。
文件
include/caffe/layer.hpp
src/caffe/layer.cpp
include/caffe/layer_factory.hpp
src/caffe/layer_factory.cpp
include/caffe/layers/*.hpp
src/caffe/layers/*.cpp
依赖
layer中数据均采用Blob类保存，包括输入、输出、内部参数layer的初始化参数保存在src/caffe/proto/caffe.proto定义的LayerParameter类中，在程序启动后从*.proto模型描述文件中获得
enum Phase {
TRAIN = 0;
TEST = 1;
}
message NetState { // 网络状态类
optional Phase phase = 1 [default = TEST];
optional int32 level = 2 [default = 0];
repeated string stage = 3;
}
message NetStateRule { // 网络状态类规则类，用于判断当前网络状态是否满足网络状态规则
optional Phase phase = 1;
optional int32 min_level = 2;
optional int32 max_level = 3;
repeated string stage = 4;
repeated string not_stage = 5;
}
message ParamSpec { // 训练参数类，每个内部blob对应一个param，配置文件中param个数可以比内部blob数少
optional string name = 1; // 在layer间共享训练参数时使用，其他情况下留空
optional DimCheckMode share_mode = 2; // layer间共享时是否需要对应的blob内部参数的维度一致
enum DimCheckMode {
STRICT = 0; // 默认值，需要blob的所有维度一致
PERMISSIVE = 1; // 只需要blob的元素总数(count)一致
}
optional float lr_mult = 3 [default = 1.0]; // lr的乘法因子
optional float decay_mult = 4 [default = 1.0];// weight decay的乘法因子
}
message LayerParameter {
optional string name = 1; // layer名称
optional string type = 2; // layer类型，用于在layer_factory中查找
repeated string bottom = 3; // 输入blob的名称数组
repeated string top = 4; // 输出blob的名称数组
optional Phase phase = 10; // layer状态：TRAIN或TEST
repeated float loss_weight = 5; // 为每个输出blob设置的loss weight，通常为0或1
repeated ParamSpec param = 6; // 训练参数类数组
repeated BlobProto blobs = 7; // 保存的layer内部数据数组
repeated bool propagate_down = 11; // BP时是否强制计算输入blob的梯度（diff）的数组，长度为0或与输入blob的个数一致
repeated NetStateRule include = 8; // 根据当前NetState判断是否包含当前layer的配置数组
repeated NetStateRule exclude = 9;
optional TransformationParameter transform_param = 100; // 数据读取层的预处理参数类
optional LossParameter loss_param = 101; // 所有类型的loss layer共有的参数
optional AccuracyParameter accuracy_param = 102; // 每个layer自己特有的参数类
optional ...
}
message TransformationParameter { // 数据读取层的预处理参数类
optional float scale = 1 [default = 1]; // 元素值按比例增减
optional bool mirror = 2 [default = false]; // 是否作随机镜像变换
optional uint32 crop_size = 3 [default = 0]; // 随机位置截取crop_size*crop_size大小的子图，默认用全图
optional string mean_file = 4; // 均值所在文件
repeated float mean_value = 5; // 均值，不能和mean_file同时出现。可以为1个，或channels个
optional bool force_color = 6 [default = false]; // 是否强制生成3通道数据
optional bool force_gray = 7 [default = false]; // 是否强制生成1通道数据
}
成员
template <typename Dtype>
class Layer {
public:
// 按照设计，所有继承的Layer不要有自己的构造函数。初始化工作都放在SetUp()中。
explicit Layer(const LayerParameter& param);
virtual ~Layer() {}
// 初始化函数，注意它不是虚函数，net初始化时会按层调用它们的SetUp函数
void SetUp(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) {
CheckBlobCounts(bottom, top); // 虚函数，检查bottom和top数组的元素数量是否满足要求
LayerSetUp(bottom, top); // 虚函数，特定的Layer的初始化工作
Reshape(bottom, top); // 虚函数，根据bottom对内部的和top中的blob作reshape
SetLossWeights(top); // 设置top中每个blob的loss weight
}
// Forward函数有三步：Reshape，Forward_cpu/gpu，计算并返回loss
inline Dtype Forward(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top);
// Backward只调用Backward_cpu/gpu，其中propagate_down表示对应的bottom的diff是否计算
inline void Backward(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
virtual inline const char* type() const; // 虚函数，返回Layer的类型字符串，对应于LayerParameter类中的type字段
// 将内部layer_param_和blobs_的数据写入param
virtual void ToProto(LayerParameter* param, bool write_diff = false);
// 获取内部layer_param_和blobs_数据
const LayerParameter& layer_param() const;
vector<shared_ptr<Blob<Dtype> > >& blobs();
// 获取或设置某个top blob的loss weight值
inline Dtype loss(const int top_index) const;
inline void set_loss(const int top_index, const Dtype value);
// 查询或设置param_propagate_down_,表示内部的blobs_参数是否需要计算diff
inline bool param_propagate_down(const int param_id);
inline void set_param_propagate_down(const int param_id, const bool value);
// 虚函数，特定Layer的初始化函数，一般根据参数初始化内部变量
virtual void LayerSetUp(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top);
// 虚函数，根据bottom blobs的大小，调整top blobs和内部blobs的大小
virtual void Reshape(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top) = 0;
// 检测bottom blob和top blob的个数是否满足要求的函数
// 都是虚函数，每个Layer根据自己的要求覆盖某些函数，默认情况下都返回-1，表示不检查该项
virtual inline int ExactNumBottomBlobs() const { return -1; }
virtual inline int MinBottomBlobs() const { return -1; }
virtual inline int MaxBottomBlobs() const { return -1; }
virtual inline int ExactNumTopBlobs() const { return -1; }
virtual inline int MinTopBlobs() const { return -1; }
virtual inline int MaxTopBlobs() const { return -1; }
virtual inline bool EqualNumBottomTopBlobs() const { return false; }
// 虚函数，是否自动产生需要数目的top blobs，在Net::Init中调用
virtual inline bool AutoTopBlobs() const;
// 虚函数，是否某个bottom blob允许NetParameter中设置的强制计算BP起作用
virtual inline bool AllowForceBackward(const int bottom_index) const;
protected:
LayerParameter layer_param_; // Layer的参数
Phase phase_; // Layer的状态，TRAIN或者TEST
vector<shared_ptr<Blob<Dtype> > > blobs_; // Layer的内部参数数组，是需要学习的参数
vector<bool> param_propagate_down_; // 判断内部的blobs_参数是否需要计算diff的数组
vector<Dtype> loss_; // 存储每个top blob的loss weight，为0表示不计算loss
// 四个虚函数，Forward和Backward时，在CPU或GPU计算的函数
virtual void Forward_cpu(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top);
virtual void Forward_gpu(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top);
virtual void Backward_cpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
virtual void Backward_gpu(const vector<Blob<Dtype>*>& top,
const vector<bool>& propagate_down, const vector<Blob<Dtype>*>& bottom);
// 虚函数，SetUp时检查bottom和top的blob个数是否满足要求，它调用的函数也都是虚函数
virtual void CheckBlobCounts(const vector<Blob<Dtype>*>& bottom, const vector<Blob<Dtype>*>& top);
// 根据layer_param_中的loss_weight数组，设置每个top的loss weight
inline void SetLossWeights(const vector<Blob<Dtype>*>& top);
private:
DISABLE_COPY_AND_ASSIGN(Layer);
};
实现细节
CheckBlobCounts函数检查7项，包括{ExactNum,Min,Max} {Bottom,Top}和Bottom Equal TopSetLossWeights函数将loss weight保存在Layer的loss_数组中，也将对应top blob的diff数组的所有元素都赋值为loss weight。这样在计算loss时，用blob的data数组点乘diff数组就可以得到