配置化模型架构
通过配置定义模型与优化过程，减少硬编码，便于应用开发与实验创新。
Caffe
用 Caffe 构建、训练与部署深度学习模型Caffe 是一个注重表达力、速度和模块化的深度学习框架。模型与优化过程通过配置定义，无需硬编码；通过单一设置即可在 CPU 与 GPU 之间切换，并支持研究实验、工业部署以及视觉、语音和多媒体应用。
- 超过1,000名
- 项目首年参与 fork 的开发者
- 60M+
- 单张 NVIDIA K40 GPU 每日可处理的图像数量
- 1 ms/图像
- 来源所述推理处理速度
- 3种
- 安装说明测试的系统环境：Ubuntu、Red Hat 与 OS X
从模型配置到视觉应用的完整工具链
Caffe 提供灵活的网络配置、CPU/GPU 切换、预训练模型、示例教程和开发者文档，覆盖模型训练、推理、特征提取与自定义开发。
CPU 与 GPU 灵活切换
通过单一设置在 CPU 和 GPU 之间切换，支持训练后部署到通用集群或移动设备。
预训练模型与 Model Zoo
提供标准化的 Caffe 模型分发格式，并提供可直接使用的训练模型。
视觉任务示例
涵盖图像分类、滤波器可视化、风格识别、特征提取、R-CNN 检测与 Siamese 网络嵌入等示例。
开发与 API 文档
提供安装指南、开发贡献规范、自动生成的 API 文档以及不同网络和 GPU 的基准测试资料。
文档、代码与社区入口
通过官方教程、模型库、API 文档和代码仓库了解 Caffe 的安装、使用、开发与贡献方式。
从这里开始使用Caffe。
NETWORK
