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，保存的caffemodel里面，实际上就是各层的w和b值。
我们运行代码：
deploy=root + 'mnist/deploy.prototxt' #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel' #训练好的 caffemodel
net = caffe.Net(net_file,caffe_model,caffe.TEST) #加载model和network
就把所有的参数和数据都加载到一个net变量里面了，但是net是一个很复杂的object, 想直接显示出来看是不行的。其中：
net.params: 保存各层的参数值（w和b)
net.blobs: 保存各层的数据值
可用命令：
[(k,v[0].data) for k,v in net.params.items()]
查看各层的参数值，其中k表示层的名称，v[0].data就是各层的W值，而v[1].data是各层的b值。注意：并不是所有的层都有参数，只有卷积层和全连接层才有。
也可以不查看具体值，只想看一下shape,可用命令
[(k,v[0].data.shape) for k,v in net.params.items()]
假设我们知道其中第一个卷积层的名字叫'Convolution1', 则我们可以提取这个层的参数：
w1=net.params['Convolution1'][0].data
b1=net.params['Convolution1'][1].data
输入这些代码，实际查看一下，对你理解network非常有帮助。
同理，除了查看参数，我们还可以查看数据，但是要注意的是，net里面刚开始是没有数据的，需要运行：
net.forward()
之后才会有数据。我们可以用代码：
[(k,v.data.shape) for k,v in net.blobs.items()]
或
[(k,v.data) for k,v in net.blobs.items()]
来查看各层的数据。注意和上面查看参数的区别，一个是net.params, 一个是net.blobs.
实际上数据刚输入的时候，我们叫图片数据，卷积之后我们就叫特征了。
如果要抽取第一个全连接层的特征，则可用命令：
fea=net.blobs['InnerProduct1'].data
只要知道某个层的名称，就可以抽取这个层的特征。
推荐大家在spyder中，运行一下上面的所有代码，深入理解模型各层。
最后，总结一个代码：
import caffe
import numpy as np
root='/home/xxx/' #根目录
deploy=root + 'mnist/deploy.prototxt' #deploy文件
caffe_model=root + 'mnist/lenet_iter_9380.caffemodel' #训练好的 caffemodel
net = caffe.Net(deploy,caffe_model,caffe.TEST) #加载model和network
[(k,v[0].data.shape) for k,v in net.params.items()] #查看各层参数规模
w1=net.params['Convolution1'][0].data #提取参数w
b1=net.params['Convolution1'][1].data #提取参数b
net.forward() #运行测试
[(k,v.data.shape) for k,v in net.blobs.items()] #查看各层数据规模
fea=net.blobs['InnerProduct1'].data #提取某层数据（特征）