Caffe | Deep Learning Framework

Caffe是由伯克利人工智能研究实验室（BAIR）开发的深度学习框架，由Yangqing Jia创建，Evan Shelhamer担任首席开发者。

核心特点
灵活的架构：模型和优化通过配置定义，无需硬编码；仅需设置一个标志即可在CPU和GPU之间切换，方便在GPU机器上训练后部署到通用集群或移动设备。
可扩展的代码：首个年份就被超1000名开发者分叉，大量社区贡献让框架跟踪代码和模型的最新进展。
高效的速度：单NVIDIA K40 GPU每天可处理超6000万张图片（基于ILSVRC2012获奖模型SuperVision和预取IO），是现有最快的卷积网络实现之一，后续版本和硬件速度更优。
广泛的社区：支持学术研究项目、创业原型及视觉、语音、多媒体领域的大规模工业应用，社区交流可通过caffeusers小组和GitHub进行。

文档与资源
教程资料：包含《DIY Deep Learning for Vision with Caffe》（框架介绍）、《Caffe in a Day》（全天速成课程）、教程文档（实用指南与框架参考）。
学术与安装：提供arXiv/ACM MM ‘14论文（4页ACM多媒体开源竞赛报告）、安装指南（适配Ubuntu、Red Hat、OS X）。
模型与开发：Model Zoo（BAIR推荐的Caffe模型标准分发格式及预训练模型）、开发贡献指南（开发与贡献规范）、API文档（代码注释自动生成的开发者文档）、基准测试（不同网络和GPU的推理与学习对比）。

示例内容
Notebook示例：涵盖图像分类与滤波器可视化（用预训练模型即时识别、逐层可视化特征与参数）、LeNet学习（用Python接口定义、训练和测试经典LeNet）、风格识别微调（在ImageNet训练的CaffeNet上微调新数据）、非图像HDF5数据的逻辑回归训练、Python数据层的多标签分类、模型参数编辑、RCNN检测、Siamese网络嵌入等。
命令行示例：包括ImageNet教程（训练测试CaffeNet）、LeNet MNIST教程、CIFAR10教程、Flickr Style数据集微调、C++特征提取、C++分类示例、Flask web服务器运行的图像分类演示、MNIST上的Siamese网络训练测试等。

引用与联系
引用要求：若研究中使用Caffe，需按指定格式引用论文（Jia et al., 2014），鼓励通过Google Scholar追踪引用。
联系渠道：通过caffeusers小组讨论使用、安装和应用问题；框架开发讨论与详细bug报告提交至GitHub Issues。

致谢
感谢NVIDIA捐赠GPU、A9与AWS提供研究资助支持Caffe开发及深度学习可复现研究，BAIR PI Trevor Darrell提供指导；感谢Carl Doersch、Eric Tzeng等BAIR成员及开源社区贡献者。Yangqing个人致谢NVIDIA学术项目、Oriol Vinyals的讨论及Trevor Darrell的建议。