经过这一通训练，总算可以得到相应的模型了（具体操作网上已经烂大街了），我们要是修改caffe参数，甚至是修改caffe内部程序，必须是以输出结果为动力，现在我们就看看我们关心的caffe输出都有哪些，虽然每一层都可以输出，但是我们最关心的有Loss层。
深度学习就是通过最小化输出和目标的Loss来驱动的。
值得注意的是：以mnist为例，我们所得到的ip2层已经是我们预测（分类/回归）的结果，可以将ip2输出（此时输出的就是Predict Label）
1.softmax
类型：SoftmaxWithLoss
适合场景：图像多类分类问题
示例：
可选参数：
（1）ignore_label:int类型，默认值为空
如果对其赋值，则label=ignore_label的时候不参与Loss值计算，并且反向传播时梯度直接赋值为0
（2）normalize:bool类型
如果为true，Loss会处于参与计算的样本总数输出，如果为false，则直接Loss求和输出
（3）normalization:enum类型，默认值为valid
如果未设置normalization，但是设置了normalize：
<1>normalize=1:valid型
<2>normalize=0:batch_size型
如果设置normalization，一切由normalization决定：
解释：Loss值越小，表明其预测效果越好
2.Sum-of-Squares/Euclidean(欧式距离)
适合场景：线性回归问题
类型：EuclideanLoss
示例：
解释：Loss值越小，表明其预测效果越好
3.Hinge/Margin（铰链损失函数）
适合场景：主要在SVM分类器中
类型：HingeLoss
示例：
可选参数：
（1）inorm[default L1]:选择L1或者L2范数
4.Sigmoid Cross-Entropy
类型：SigmoidCrossEntropyLoss
示例：
5.Infogain Loss
类型:InfogainLoss
示例：
6.Accuracy and Top-k
用来计算输出和目标的准确率，事实上，这不是一个loss，而且没有backward这一步
类型:Accuracy
示例：