Caffe是一個清晰而高效的深度學(xué)習(xí)框架，也是一個被廣泛使用的開源深度學(xué)習(xí)框架，在Tensorflow出現(xiàn)之前一直是深度學(xué)習(xí)領(lǐng)域Github star最多的項目。主要優(yōu)勢為：上手容易，網(wǎng)絡(luò)結(jié)構(gòu)都是以配置文件形式定義，不需要用代碼設(shè)計網(wǎng)絡(luò)。訓(xùn)練速度快，組件模塊化，可以方便的拓展到新的模型和學(xué)習(xí)任務(wù)上。但是Caffe最開始設(shè)計時的目標(biāo)只針對于圖像，沒有考慮文本、語音或者時間序列的數(shù)據(jù)，因此Caffe對卷積神經(jīng)網(wǎng)絡(luò)的支持非常好，但是對于時間序列RNN，LSTM等支持的不是特別充分。Caffe工程的models文件夾中常用的網(wǎng)絡(luò)模型比較多，比如Lenet、AlexNet、ZFNet、VGGNet、GoogleNet、ResNet等。

2、Caffe的模塊結(jié)構(gòu)

Caffe由低到高依次把網(wǎng)絡(luò)中的數(shù)據(jù)抽象成Blob, 各層網(wǎng)絡(luò)抽象成Layer ，整個網(wǎng)絡(luò)抽象成Net，網(wǎng)絡(luò)模型的求解方法抽象成Solver。

1.Blob表示網(wǎng)絡(luò)中的數(shù)據(jù)，包括訓(xùn)練數(shù)據(jù)，網(wǎng)絡(luò)各層自身的參數(shù)，網(wǎng)絡(luò)之間傳遞的數(shù)據(jù)都是通過Blob來實現(xiàn)的，同時Blob數(shù)據(jù)也支持在CPU與GPU上存儲，能夠在兩者之間做同步。

2.Layer是對神經(jīng)網(wǎng)絡(luò)中各種層的抽象，包括卷積層和下采樣層，還有全連接層和各種激活函數(shù)層等。同時每種Layer都實現(xiàn)了前向傳播和反向傳播，并通過Blob來傳遞數(shù)據(jù)。

3.Net是對整個網(wǎng)絡(luò)的表示，由各種Layer前后連接組合而成，也是所構(gòu)建的網(wǎng)絡(luò)模型。

4.Solver 定義了針對Net網(wǎng)絡(luò)模型的求解方法，記錄網(wǎng)絡(luò)的訓(xùn)練過程，保存網(wǎng)絡(luò)模型參數(shù)，中斷并恢復(fù)網(wǎng)絡(luò)的訓(xùn)練過程。自定義Solver能夠?qū)崿F(xiàn)不同的網(wǎng)絡(luò)求解方式。

3、安裝方式

Caffe 需要預(yù)先安裝比較多的依賴項，CUDA，snappy，leveldb，gflags，glog，szip，lmdb，OpenCV，hdf5，BLAS，boost、ProtoBuffer等；

Caffe官網(wǎng)：；

Caffe Github : https://github.com/BVLC/caffe；Caffe 安裝教程：

，

；

Caffe 安裝分為CPU和GPU版本，GPU版本需要顯卡支持以及安裝CUDA