zchang81的博客

看到SyncedMem就知道，这是在做内存同步的操作。这类个类的代码比较少，但是作用是非常明显的。文件对应着syncedmem.hpp,着syncedmem.cpp

Caffe 模型微调 的场景、问题、技巧以及解决方案

Input_shape中的dim：10dim：3dim：224dim：224解释

Pooling 层一般在网络中是跟在Conv卷积层之后，做采样操作，其实是为了进一步缩小feature map，同时也能增大神经元的视野。在Caffe中，pooling层属于vision_layer的一部分，其相关的定义也在vision_layer.hpp的头文件中。Pooling层的相关操作比较少，在Caffe的自带模式下只有Max pooling和Average poooling两种

Blob是作为Caffe中数据流通的一个基本类，网络各层之间的数据是通过Blob来传递的。这里整个代码是非常规范的，基本上条件编译，命名空间，模板类，各种不太经常看到的关键字如exlicit,inline等等。

caffe.proto中的几个重要数据类型

caffe命令及其参数解析：caffe <command> <args>

Caffe2新增RNN支持

2017年4月19日，Facebook 推出了 Caffe2，一个兼具表现力、速度和模块性的开源深度学习框架。

nvcc编译目标GPU指令集的命令选项

caffe模型常用参数解释

ayer这个类可以说是里面最终的一个基本类了，深度网络呢就是一层一层的layer，相互之间通过blob传输数据连接起来。首先layer必须要实现一个forward function，前递函数当然功能可以自己定义啦，在forward中呢他会从input也就是Layer的bottom，对了caffe里面网络的前一层是叫bottom的，从bottom中获取blob，并且计算输出的Blob，当然他们也会实现一个反向传播，根据他们的input的blob以及output blob的error gradient 梯度误差

data_layer应该是网络的最底层，主要是将数据送给blob进入到net中

Vision_layer里面主要是包括了一些关于一些视觉上的操作，比如卷积、反卷积、池化等等。这里的类跟data layer一样好很多种继承关系。

NeuronLayer，顾名思义这里就是神经元，激活函数的相应层。我们知道在blob进入激活函数之前和之后他的size是不会变的，而且激活值也就是输出 yy 只依赖于相应的输入 xx。在Caffe里面所有的layer的实现都放在src文件夹下的layer文件夹中，基本上很多文章里应用到的layer类型它都有cpu和cuda的实现。

目前Caffe2还不能完全替代Caffe，还缺不少东西，例如CuDNN。与Caffe2相比，Caffe仍然是主要的稳定版本，在生产环境中使用仍然推荐Caffe

caffe2 安装过程

Caffe2是Facebook新的开源深度学习框架。与之前的PyTorch不同，Caffe2专门用于将深度学习移植到移动应用程序中，这将会让智能手机更“深入”、更智能!

zchang81博客博文导航1、深度学习基础2、深度学习数据集3、深度学习目标检测4、TensorFlow学习笔记

在生产环境中，使用api调用caffe训练生成的模型，依赖的第三方库太多，环境安装是个麻烦问题，同时在平台间移植也是个很麻烦的事情