文章作者：Tyan
博客：noahsnail.com ?|? CSDN ?|? 簡書
1. 官網介紹
1. Caffe
Caffe是一個以表達式、速度和模塊化為核心的深度學習框架，由BLVC（Berkeley Vision and Learning Center）和社區貢獻者開發。項目創建者是賈揚清。
2. Feature
- Expressive architecture
具有表現力的結構鼓勵應用和創新。模型及優化是通過配置定義的，而不是使用硬編碼的方式。可以在GPU和CPU之間無縫切換，可以用GPU訓練，然后部署到集群或移動設備上。
- Extensible code
具有擴展性的代碼促進了Caffe的積極發展。Caffe第一年fork超過一千次，有許多有意義的貢獻和反饋。由于眾多的貢獻者，Caffe框架跟蹤并實現了當前最新的代碼和模型。
- Speed
快速性使Caffe適合研究實驗和工業開發。Caffe在單個的NVIDIA K40 GPU上每天能處理6千萬張圖片。識別時速度為1ms/張，訓練時速度為4ms/張，BLVC相信Caffe具有最快的卷積神經網絡實現。
- Community
Caffe已經支持學術研究項目，啟動原型，甚至支持大規模視覺、語音和多媒體的工業應用。
3. Document
一個介紹Caffe的PPT
實踐指導和框架參考
安裝，已經在Ubuntu，Red Hat，OS X上測試過了。
模型規范及已經訓練的模型
API文檔，通過代碼中的注釋生成的。
4. Demo
在ImageNet上訓練和測試CaffeNet。
Yann LeCun的手寫字符識別，訓練和測試。
CIFAR-10數據集上Caffe的訓練與測試。
ImageNet上訓練的CaffeNet在Flickr Style數據集上的調優。
用Caffe工具提取CaffeNet和AlexNet特征。
用底層API進行圖像的簡單分類
運行在Flask web服務器上的圖像分類Demo
在MNIST數據集上訓練和測試siamese網絡。
5. NoteBook Demo
通過預先訓練的模型進行圖像實時識別，對神經網絡的每層特征和參數進行可視化，可以了解可視化的神經網絡接口。
使用Python定義、訓練、測試經典的LeNet。
在新數據集上對ImageNet上訓練的CaffeNet進行調優。
使用Caffe作為一般的SGD優化器在非圖像的HDF5數據上訓練邏輯回歸。
使用Python數據層在PASCAL VOC上進行多標簽分類。
怎樣修改神經網絡，手動改變模型參數來進行定制化使用。
在Python中使用預先訓練的模型作為檢測器來進行目標檢測。
提取特征、繪制Siamese網絡嵌入。
6. Philosophy
- Expression
模型和優化都是通過純文本模式定義的而不是通過代碼的方式。
- Speed
對于研究和工業而言，在最新的模型和大規模數據上具有同樣的速度是關鍵。
- Modularity
新任務及設置要求靈活性和可擴展性
- Openness
科學和應用進展需要通用的代碼、參考模型和再現性。
- Community
學術研究、啟動原型和工業應用通過在BSD-2項目中的聯合討論和開發實現所有共享。
7. Tour
- Net,Lays and Blobs
Caffe模型的結構組成
- Forward/Backward
分層結構模型的基本計算
- Loss
通過損失函數定義要學習的任務
- Solver
求解程序協調模型優化
- Layer Catalogue
這一層是建模和計算的基本單元，Caffe的目錄包含最新模型的層
- Interfaces
命令行，Python，MATLAB
- Data
怎樣將模型輸入變為Caffe能處理的數據
- Caffeinated Convolution
Caffe怎樣計算卷積
2. 普通介紹
1. Caffe介紹
在深度學習領域，Caffe框架是人們無法繞過的一座山。Caffe是一個用C++編寫的深度學習框架，作者是UC Berkeley博士賈揚清，Caffe。由于Caffe清晰、高效，因此在深度學習中被廣泛使用，用戶逐漸地也形成了一個開放的社區，一些重要的研究成果(主要是各種模型)被引入到了Caffe中，例如著名的AlexNet。
Caffe無論在結構、性能上，還是在代碼質量上，都是一款非常出色的開源框架。它將深度學習的每一個細節都原原本本地展現出來，大大降低了人們學習、研究和開發的難度。
Caffe是純粹的C++/CUDA架構，支持命令行、Python和MATLAB接口。Caffe的清晰性表現在網絡結構與參數都獨立于代碼，用戶只要以普通文本(但需遵循一定的簡單格式)就可以定義好自己的神經網絡，并按自己的需要進行調整。而高效性則體現在對CUDA的支持，GPU 運算能極大地提高圖像處理的速度，同時Caffe提供了在CPU模式和GPU模式之間的無縫切換。
2. Caffe特點
上手快：模型與相應優化都是以文本形式而非代碼形式給出。Caffe給出了模型的定義、最優化設置以及預訓練的權重，方便立即上手。
速度快：能夠運行最棒的模型與海量的數據。Caffe與cuDNN結合使用，測試AlexNet模型，在K40上處理每張圖片只需要1.17ms.
模塊化：方便擴展到新的任務和設置上。可以使用Caffe提供的各層類型來定義自己的模型。
開放性：公開的代碼和參考模型用于再現。
社區好：可以通過開源社區和Github參與討論和開發。
參考資料：
