本文深入探讨了Caffe框架，作为计算CNN相关算法的强大工具，介绍了其核心优势，如网络结构配置灵活、GPU加速性能卓越及无缝CPU-GPU切换。文章详细解析了Caffe背后的高效数学库支持，包括Glog、Lebeldb、CBLAS与CUBLAS，并概述了其系统结构。同时，比较了Caffe与其他CNN库的性能差异。最后，提供了如何使用Caffe进行回归任务的指导。
一、介绍
Caffe，全称Convolutional Architecture for Fast Feature Embedding，是一个计算CNN相关算法的框架，由Yangqing Jia老师编写和维护的，代替了之前的decaf工具。Caffe是用C++和Python实现的，并提供了C++、Python、Matlab的接口，目前有Linux 和Windows版
Caffe 主页：http://caffe.berkeleyvision.org/
Linux版Caffe下载：https://github.com/BVLC/caffe
Windows版Caffe下载：https://github.com/niuzhiheng/caffe
二、优势
Caffe的优势：
1、所要实现的网络结构可以在配置文件中指定，不需要编码。
2、目前在GPU上实现CNN最快，在单个Tesla K20机器上，每天处理20million图片。
3、GPU和CPU之间无缝切换。
（1）Google Logging library (Glog): 一个C++语言的应用级日志记录框架，提供了C++风格的流操作和各种助手宏
（2）lebeldb(数据存储)： 是一个google实现的非常高效的kv数据库，单进程操作。
（3）CBLAS library（CPU版本的矩阵操作）
（4）CUBLAS library (GPU 版本的矩阵操作)
三、系统结构
四、与其他CNN库对比
How to do regression?
https://github.com/BVLC/caffe/issues/512
扫一扫
492
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
