caffe 介绍
Caffe是一个以表达式、速度和模块化为核心的深度学习框架，由BLVC（Berkeley Vision and Learning Center）和社区贡献者开发。项目创建者是贾扬清。
Caffe的全称是：Convolutional architecture forfast feature embedding，它是一个清晰、高效的深度学习框架，它是开源的，核心语言是C++，它支持命令行、Python和Matlab接口，它既可以在CPU上运行也可以在GPU上运行。它的license是BSD 2-Clause。
Deep Learning比较流行的一个原因，主要是因为它能够自主地从数据上学到有用的feature。特别是对于一些不知道如何设计feature的场合，比如说图像和speech。
神经网络一般包括：训练，测试两大阶段。
按照 李沐 的说法，训练： 就是把训练数据（原料）和 神经网络模型：如AlexNet（丹方） “倒进” 神经网络训练框架例如cafffe,Mxnet（炼丹炉）然后用 CPU或GPU（真火） “提炼出” 模型参数（仙丹）的过程。测试： 就是把 测试数据 用 训练好的模型（神经网络模型 + 模型参数）跑一跑 看看结果如何。
作为炼丹炉之一的caffe，就是把炼制过程所涉及的概念做抽象，形成一套体系。
总的来讲，由低到高依次把 网络中的数据抽象成Blob, 各层网络抽象成 Layer ，整个网络抽象成Net，网络模型的求解方法 抽象成 Solver。
- Blob
- 主要用来表示网络中的数据，包括训练数据，网络各层自身的参数，网络之间传递的数据都是通过 Blob 来实现的，同时 Blob 数据也支持在 CPU 与 GPU 上存储，能够在两者之间做同步。
- Layer
- 是对神经网络中各种层的一个抽象，包括我们熟知的卷积层和下采样层，还有全连接层和各种激活函数层等等。同时每种 Layer 都实现了前向传播和反向传播，并通过 Blob 来传递数据。
- Net
- 是对整个网络的表示，由各种 Layer 前后连接组合而成，也是我们所构建的网络模型。
- Solver
- 定义了针对 Net 网络模型的求解方法，记录网络的训练过程，保存网络模型参数，中断并恢复网络的训练过程。自定义 Solver 能够实现不同的网络求解方式。
- 接口类型
- 命令行
- 配置文件
- GUI
- 编程语言API
- web API(例如RESTful)
- Caffe的接口
- 命令行：cmdcaffe
- python API：pycaffe
- matlab API：matcaffe
转载请注明：在路上 » 【整理】caffe 介绍