下载掌阅APP，畅读海量书库
立即打开
Caffe的全称是Convolutional Architecture for Fast 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，既可以在CPU上运行也可以在GPU上运行。
Caffe是其作者贾扬清在2013年下半年利用空闲时间实现的。起初纯粹是一个业余的项目，但在2013年12月开源了之后，由于其高效、简洁，最终成为了一个在深度学习领域有影响力的学习框架。
从2014年开始，Caffe开始吸引很多其他的用户和开发人员，伯克利大学也建立了一个核心的Caffe团队，特别是NVIDIA开始帮助Caffe团队做更多的加速，伯克利大学也成立了Berkeley Learning and Vision Center来组织和吸引工业界的研究人员共同开发多个开源项目（包括Caffe）。Caffe开始吸引世界各地的人来尝试和使用深度学习的技术。
在Caffe之前，深度学习领域缺少一个完全公开所有的代码、算法和各种细节的框架，导致很多研究人员和博士生需要一次又一次地重复实现相同的算法。而Caffe很好地解决了这个问题。
Caffe的基本工作流程是设计建立在神经网络的一个简单假设，所有的计算都是层的形式表示的，网络中层做的事情就是输入数据，然后输出计算以后的结果。比如卷积就是输入一个图像，然后和这一层的参数（filter）做卷积，最终输出卷积的结果。每层需要进行两种函数计算：一种是forward，从输入计算到输出；另一种是backward，从上层给的gradient来计算相对于输入层的gradient。这两个函数实现了以后，我们就可以把很多层连接成一个网络，这个网络输入数据（图像、语音或其他原始数据），然后计算需要的输出（比如识别的标签）。在训练的时候，可以根据已有的标签计算loss和gradient，然后用gradient来更新网络中的参数。
当前的Caffe的Master分支只支持单机上的多GPU训练。2016年3月浪潮发布了集群版Caffe计算框架，它采用高性能计算行业成熟的MPI技术对Caffe版本进行数据并行的优化，该并行Caffe计算框架完全保留了原始Caffe架构的特性。浪潮开发的集群并行Caffe计算框架已经在某超级计算机上进行部署并测试，测试结果显示，在保证正确率相同的情况下，浪潮Caffe在8节点并行计算效率上提升了10.7倍，大大提升了计算速度，加速了业务的快速进行。相信在不久的将来，Caffe的Master分支会支持集群的功能。
浪潮已经将其开发的集群并行版Caffe软件代码开源发布在GitHub，这将有助于更多的用户了解和应用这款软件，加速深度学习的应用发展。有兴趣的读者可以试一下。
1.模块化
Caffe设计之初就做到了尽可能的模块化，允许对数据格式、网络层和损失函数进行扩展。
2.表示和实现分离
Caffe的模型（Model）定义是用Protocol Buffer语言写进配置文件的，以任意有向无环图的形式，Caffe支持网络架构。Caffe会根据网络的需要来正确占用内存。通过一个函数调用，实现CPU和GPU之间的切换。
3.测试覆盖
在Caffe中，每一个单一的模块都对应一个测试。
4.Python和MATLAB接口
同时提供Python和MATLAB接口。
5.预训练参考模型
针对视觉项目，Caffe提供了一些参考模型，这些模型仅应用在学术和非商业领域，它们的License不是BSD。
1.数据存储
Caffe通过“Blobs”即以4维数组的方式存储和传递数据。Blobs提供了一个统一的内存接口，用于批量图像（或其他数据）的操作和参数更新。Models是以Google Protocol Buffers的方式存储在磁盘上的。大型数据存储在LevelDB数据库中。
2.层
一个Caffe层（Layer）是一个神经网络层的本质，它采用一个或多个Blobs作为输入，并产生一个或多个Blobs作为输出。网络作为一个整体的操作，层有两个关键职责：前向传播，需要输入并产生输出；反向传播，取梯度作为输出，通过参数和输入计算梯度。Caffe提供了一套完整的层类型。
3.网络和运行方式
Caffe保留所有的有向无环层图，确保正确地进行前向传播和反向传播。Caffe模型是终端到终端的机器学习系统。一个典型的网络开始于数据层，结束于loss层。通过一个单一的开关，使其网络运行在CPU或GPU上。在CPU或GPU上，层会产生相同的结果。
4.训练网络
Caffe训练一个模型（Model）靠快速、标准的随机梯度下降算法。在Caffe中，微调（Fine tuning）是一个标准的方法，它适应于存在的模型、新的架构或数据。对于新任务，Caffe微调旧的模型权重并按照需要初始化新的权重。