Embedded Files
Caffe 全名為 Convolutional Architecture for Fast Feature Embedding，是一個被廣泛使用的開源深度學習框架（在 TensorFlow 出現之前一直是深度學習領域 GitHub star 最多的項目)，目前由伯克利視覺學中心（Berkeley Vision and Learning Center，BVLC）進行維護。Caffe 的創始人是加州大學伯克利的 Ph.D.賈揚清，他同時也是TensorFlow的作者之一。Caffe 的主要優勢包括如下幾點。
Caffe 全名為 Convolutional Architecture for Fast Feature Embedding，是一個被廣泛使用的開源深度學習框架（在 TensorFlow 出現之前一直是深度學習領域 GitHub star 最多的項目)，目前由伯克利視覺學中心（Berkeley Vision and Learning Center，BVLC）進行維護。Caffe 的創始人是加州大學伯克利的 Ph.D.賈揚清，他同時也是TensorFlow的作者之一。Caffe 的主要優勢包括如下幾點。
- 容易上手，網絡結構都是以配置文件形式定義，不需要用代碼設計網絡。
- 訓練速度快，能夠訓練 state-of-the-art 的模型與大規模的數據。
- 組件模塊化，可以方便地拓展到新的模型和學習任務上。
Caffe 的核心概念是 Layer，每一個神經網絡的模塊都是一個 Layer。Layer 接收輸入數據，同時經過內部計算產生輸出數據。設計網絡結構時，只需要把各個 Layer 拼接在一起構成完整的網絡（通過寫 protobuf 配置文件定義）。 每一個 Layer 需要定義兩種運算，一種是正向（forward）的運算，即從輸入數據計算輸出結果，也就是模型的預測過程；另一種是反向（backward）的運算，從輸出端的 gradient 求解相對於輸入的 gradient，即反向傳播算法，這部分也就是模型的訓練過程。
Caffe 的核心概念是 Layer，每一個神經網絡的模塊都是一個 Layer。Layer 接收輸入數據，同時經過內部計算產生輸出數據。設計網絡結構時，只需要把各個 Layer 拼接在一起構成完整的網絡（通過寫 protobuf 配置文件定義）。 每一個 Layer 需要定義兩種運算，一種是正向（forward）的運算，即從輸入數據計算輸出結果，也就是模型的預測過程；另一種是反向（backward）的運算，從輸出端的 gradient 求解相對於輸入的 gradient，即反向傳播算法，這部分也就是模型的訓練過程。
Caffe 的一大優勢是擁有大量的訓練好的經典模型（AlexNet、VGG、Inception）乃至其他 state-of-the-art （ResNet等）的模型，收藏在它的 Model Zoo （http://github.com/BVLC/ caffe/wiki/Model-Zoo）。因為知名度較高，Caffe 被廣泛地應用於前沿的工業界和學術界，許多提供源碼的深度學習的論文都是使用 Caffe 來實現其模型的。在計算機視覺領域 Caffe 應用尤其多，可以用來做人臉識別、圖片分類、位置檢測、目標追蹤等。雖然 Caffe 主要是面向學術圈和研究者的，但它的程序運行非常穩定，代碼質量比較高，所以也很適合對穩定性要求嚴格的生產環境，可以算是第一個主流的工業級深度學習框架。
Caffe 的一大優勢是擁有大量的訓練好的經典模型（AlexNet、VGG、Inception）乃至其他 state-of-the-art （ResNet等）的模型，收藏在它的 Model Zoo （http://github.com/BVLC/ caffe/wiki/Model-Zoo）。因為知名度較高，Caffe 被廣泛地應用於前沿的工業界和學術界，許多提供源碼的深度學習的論文都是使用 Caffe 來實現其模型的。在計算機視覺領域 Caffe 應用尤其多，可以用來做人臉識別、圖片分類、位置檢測、目標追蹤等。雖然 Caffe 主要是面向學術圈和研究者的，但它的程序運行非常穩定，代碼質量比較高，所以也很適合對穩定性要求嚴格的生產環境，可以算是第一個主流的工業級深度學習框架。
本章節講述如何安装配置 Caffe。
本章節講述如何安装配置 Caffe。
2.1.4 評測 Benchmark (即將推出)
2.1.4 評測 Benchmark (即將推出)
Google Sites
Report abuse