如果用公式 y = f(wx+b)来表示整个运算过程的话，那么w和b就是我们需要训练的东西，w称为权值，在cnn中也可以叫做卷积核（filter），b是偏置项。f是激活函数，有sigmoid、relu等。x就是输入的数据。

数据训练完成后，保存在caffemodel里面的，实际上就是各层的w和b值。

这个问题隐藏的很深，稍不注意就掉入坑中，并且定位起来耗时费力。

介绍一个命令，方便查看指定文件的绝对路径：realpath

go语言同C/C++一样，可以在不同的类型间使用类型强制转换。

… 其实是go的一种语法糖。

用法1：

主要是用于函数有多个不定参数的情况，可以接受多个不确定数量的参数。

遵循的几点准则： 第一：对于weights的int8量化使用的是不饱和的方式；（ -|max| 和 |max| FP32 value 映射为 -127 和 127 ，中间值按照线性关系进行映射。） 第二：对输入数据的int8量化使用的是饱和的量化方式。 （即确定阈值 |T| ，将 ±|T| 映射为 ...

函数模板是C++新增的一种性质，它允许只定义一次函数的实现，即可使用不同类型的参数来调用该函数。这样做可以减小代码的书写的复杂度，同时也便于修改。但是，在代码中包含函数模板本身并不会生成函数定义，它只是一个用于生成函数定义的方案。编译器使用模板为特定类型生成函数定义时，得到的是模板实例（instantiation）

要点：

1. 卷积层(Convolutional Layer)，用于提取低维到高维特征，以其名称命名的网络叫CNN(Convolutional Neural Network);
2. 全连接层(Full Connection Layer)，用于特征分类，以其名称命名的网络叫DNN(Dense Neural Network); 在caffe中 type类型为InnerProduct。
3. 卷积层和全连接层，我们统称为权值层，因为这两种层都具有可学习参数（权值），是网络训练的对象；
4. Sigmoid()、 Tanh()称为饱和激活函数；
5. Relu() 称为非饱和激活函数；

采用int8方式量化模型，在不明显损失精度的前提下，可带来数倍性能的提升，该方式非常适合于移动侧的模型部署。

转发一个网友给出的比较通俗易懂的定义：