snapot实际与.bin一样，都是参数文件
如果网络变了bin文件是要变的。
但是我们在使用一些net时，例如googlenet、resnet、shufflenet，
我们不太会修改这些net结构，而是对输入以及其后面的一些层做改动，因此训练的时候是可以直接使用finetune参数的
分成多个branch
每个branch对应一个输入，使用一个net（例如googlenet shufflenet），产生一个feature
然后可以做多种尝试，例如讲feature加起来后面接一个fc，也可以每个feature单独处理
一个bottom必须有一个top与之对应
一个top可以没有bottom与之对应（如果没有则会print出来）
silence层：
假如有某一层的某个top后面没有bottom，caffe训练的时候就会把这些top的结果都print出来，用Silence layer就是为了把接住以防止它print
slice层：
切片，例如某一层读入了多个branch的标签，则可以在后面跟一个slice层，切片后得到所需的标签，然后与output层做差得loss层
bn层：batch normalization
传统的神经网络，只是在将样本输入输入层之前进行标准化处理（减均值，除标准差），以降低样本间的差异性。BN是在此基础上，不仅仅只对输入层的输入数据进行标准化，还对隐藏层的输入进行标准化。
https://blog.csdn.net/whitesilence/article/details/75667002
https://arxiv.org/pdf/1502.03167.pdf
注意shufflenet与shuffle的区别
shuffle指的是乱序操作，一般我们在处理数据的时候会用到，在数据增强，生成input文件（输入图片url，标签）之后进行shuffle，然后将shuffle后的input文件输入网络
python shuffle数据集：
https://blog.csdn.net/orangefly0214/article/details/80352310
/build/tools/caffe与caffe.cpp源文件：
https://blog.csdn.net/teeyohuang/article/details/76778593