在解析了许多关于在 Python 中构建 Caffe 层的链接之后，我仍然难以理解一些概念。可以请人澄清一下吗？
- 此处解释了网络的 Blob 和权重 Python 结构：Finding gradient of a Caffe conv-filter 关于 input。
- 网络和求解器结构在这里解释：caffe / pycaffe 的备忘单？.
- 定义 python 层的示例在这里：pyloss.py on git。
- 在这里进行层测试：在 git 上测试层。
- 此处描述了 C++ 新层的开发：git wiki。
我仍然缺少的是：
setup()方法：我应该在这里做什么？为什么在示例中我应该将“底部”参数的长度与“2”进行比较？为什么应该是2？它似乎不是批量大小，因为它是任意的？我理解的底部是blob，然后第一个维度是批量大小？reshape()方法：据我所知，'bottom'输入参数是下层的blob，'top'参数是上层的blob，我需要根据前向计算的输出形状重塑顶层。但是，如果这些形状在每次传球之间没有变化，只有权重发生变化，为什么我需要在每次向前传球时都这样做？reshape和forward方法使用 'top' 输入参数的索引为 0。为什么我需要使用top[0].data=...ortop[0].input=...而不是top.data=...andtop.input=...？这个指数是关于什么的？如果我们不使用这个顶级列表的其他部分，为什么它会以这种方式暴露出来？我可以怀疑它或 C++ 主干的巧合，但最好确切地知道。reshape()方法，符合：if bottom[0].count != bottom[1].count我在这里做什么？为什么它的维度又是2？我在这里算什么？为什么 blob 的两个部分（0 和 1）在某些成员的数量上应该相等（
count）？forward()方法，我通过这一行定义：self.diff[...] = bottom[0].data - bottom[1].data如果我定义它，什么时候在正向路径之后使用它？我们可以使用
diff = bottom[0].data - bottom[1].data而是在此方法的后面计算损失，而不分配给
self，还是出于某种目的而完成？backward()方法：这是关于什么的：for i in range(2):？为什么范围又是2？backward()方法、propagate_down参数：为什么要定义？我的意思是，如果它的 True, 梯度应该分配给我所看到的，但是如果它什么都不做并且仍然在里面循环bottom[X].diff，为什么有人会调用什么都不做的方法呢？propagate_down = False
很抱歉，如果这些问题太明显了，我只是无法找到一个很好的指南来理解它们并在这里寻求帮助。