1、Caffe中LMDB的使用 https://blog.csdn.net/haluoluo211/article/details/54427421
2、Protubuf Google Protocol Buffer( 简称 Protobuf) 是一种轻便高效的结构化数据存储格式
https://www.ibm.com/developerworks/cn/linux/l-cn-gpb/index.html
3、caffe2编译
error while loading shared libraries: xxx.so.x" 错误的原因和解决办法
https://blog.csdn.net/u012839187/article/details/48025225
4、caffe2 operator 以及网络的定义都是使用protocol 序列化了了一个protobuf文件，等到真正运行的时候，他会使用c++后端根据protobuf文件进行初始化，然后运行
5、brew是一个智能的帮助函数的集合，可以使用他来创建网络。当创建网络或者operator的时候他可以像帮助函数那样帮助你初始化参数，定义操作，选择机器。
brew is a smart collection of helper functions. You can use all Caffe2 awesome helper functions with a single import of brew module. You can now add a FC layer using:
6、网络分为参数初始化网络和主网络
举例：
workspace.RunNetOnce(train_model.param_init_net)
workspace.CreateNet(train_model.net, overwrite=True)
workspace.RunNet(train_model.net)
7、In our view,
ModelHelper class should only contain network definition and parameter information. （用来声明网络）
The brew module will have the functions to build network and initialize parameters.（用来把operator添加进网络）
举例：
train_model = model_helper.ModelHelper(name="mnist_train", arg_scope=arg_scope)
conv1 = brew.conv(train_model , data, 'conv1', dim_in=1, dim_out=20, kernel=5)
8、网络训练完，测试完之后，要部署网络来保存网络借结构和训练所得的参数，以备下次使用
举例:
deploy_model = model_helper.ModelHelper(
name="mnist_deploy", arg_scope=arg_scope, init_params=False)
AddModel(deploy_model, "data")
pe_meta = pe.PredictorExportMeta(
predict_net=deploy_model.net.Proto(),
parameters=[str(b) for b in deploy_model.params],
inputs=["data"],
outputs=["softmax"],
)
# save the model to a file. Use minidb as the file format
pe.save_to_db("minidb", os.path.join(root_folder, "mnist_model.minidb"), pe_meta)