Caffe全称Convolutional Architecture for Fast Feature Embedding，Caffe是一个开源的深度学习框架，由伯克利人工智能研究实验室（BAIR）开发。Caffe最初是为图像识别和计算机视觉任务而设计的，但现在也可用于语音识别、自然语言处理等其他领域。
Caffe Windows是指Caffe针对windows操作系统的版本，它提供了Windows平台下的Caffe开发环境和工具链，包括预编译的Caffe二进制文件、CMake构建系统、Python接口等。使用Caffe Windows可以方便地在windows操作系统上进行深度学习模型的训练和部署。
1、表示：模型和优化以纯文本的模式定义，而不是以代码模式；
2、速度：运算速度对于最先进模型和海量数据是至关重要的；
3、模块化：新的任务和配置要求框架具有灵活性和扩展性；
4、开放性：科研和应用过程需要公共的代码、可参考的模型和可再现性；
5、社区：通过共同讨论和具体协议共同开发这个项目，学术研究、起步阶段的原型和工业应用可以共享各自的力量。
拥有以上诸多优势，经过两年多的版本迭代，Caffe框架已经在学术界和工业界得到了广泛的认可。
那么是什么原因促使caffe的运行速度比其它深度学习框架的运行速度快呢？
个人认为有以下几点：
1、数据存储：
Caffe生成的数据分为2种格式：
Lmdb和Leveldb
它们都是键/值对嵌入式数据库管理系统编程库。
虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。
因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。（这点得吐槽下了，没空的自行跳过此段。
之前用的是实验室服务器上安装的老版本的caffe，在运行MNIST和CIFAR-10的例子时，caffe官网教程上的还是生成*_leveldb格式的数据，但当我几天后跑ImageNet实例时，提示我找不到$CAFFE_ROOT/build/tools/目录下的caffe文件，后来还是通过和网友的tools目录下的文件对比才发现，编译后生成的老版本的caffe比新版的少了一堆东西，只好重新编译新版本，编译过程中发现缺少lmdb，查资料才发现，caffe已经用lmdb取代了leveldb，而返回去看之前的MNIST和CIFAR-10实例教程，发现教程上也已经将leveldb的部分改成lmdb了。还是提醒各位及时升级，有问题多看几遍官网教程）
2、数据传输：
当数据在前向后向传输时，caffe采用blobs的形式对数据进行传递或处理，它是该框架采用的标准的存储接口。
下面是百度百科上对blob的一段解释：
BLOB (binary large object)，二进制大对象，是一个可以存储二进制文件的容器。在计算机中，BLOB常常是数据库中用来存储二进制文件的字段类型。
BLOB是一个大文件，典型的BLOB是一张图片或一个声音文件，由于它们的尺寸，必须使用特殊的方式来处理（例如：上传、下载或者存放到一个数据库，caffe中的lmdb或leveldb）
在caffe中，blob是一个四位数组，不过在不同的场合，各维表示的意义不同
对于数据：Number*Channel*Height*Width
对于卷积权重：Output*Input*Height*Width
对于卷积偏置：Output*1*1*1
参数规格
CPU 架构x86_64
系统内存8-32GB
CPU1
GPU 型号NVIDIA TITAN X
GPU1-2
2、服务器
参数规格
CPU 架构x86_64
系统内存32 GB
每节点的 CPU 数目1-2
GPU 型号
Tesla M40
Tesla P100
每节点的 GPU 数目1-4
3、软件配置
参数版本
操作系统Ubuntu 14.04
GPU 驱动程序367.27 或更新版本
CUDA 工具包8.0
cuDNN 库v5.1
Caffe Windows是指Caffe针对windows操作系统的版本，它提供了Windows平台下的Caffe开发环境和工具链，包括预编译的Caffe二进制文件、CMake构建系统、Python接口等。使用Caffe Windows可以方便地在windows操作系统上进行深度学习模型的训练和部署。
软件介绍
caffe支持cpu和gpu的无缝切换，这一点在现在的大数据时代显得尤为重要。但是对于我们这些正常人来说，如果让我们在gpu上进行编程，恐怕都要傻眼了，这时caffe就提供了一个便捷的方式，可以让你忽略cpu和gpu的差别，仅仅一个参数就可以让你的模型在cpu和gpu之间自由切换，大大提升了各位童鞋‘发论文’的速度。（还有一个python工具包也可以让你方便的在cpu和gpu之间进行切换，那就是Theano了，本人最初正是因为只有python工具包才有支持gpu编程的功能，所以才弃matlab从python的）软件特色
Caffe的设计考虑了以下几个方面：1、表示：模型和优化以纯文本的模式定义，而不是以代码模式；
2、速度：运算速度对于最先进模型和海量数据是至关重要的；
3、模块化：新的任务和配置要求框架具有灵活性和扩展性；
4、开放性：科研和应用过程需要公共的代码、可参考的模型和可再现性；
5、社区：通过共同讨论和具体协议共同开发这个项目，学术研究、起步阶段的原型和工业应用可以共享各自的力量。
拥有以上诸多优势，经过两年多的版本迭代，Caffe框架已经在学术界和工业界得到了广泛的认可。
那么是什么原因促使caffe的运行速度比其它深度学习框架的运行速度快呢？
个人认为有以下几点：
1、数据存储：
Caffe生成的数据分为2种格式：
Lmdb和Leveldb
它们都是键/值对嵌入式数据库管理系统编程库。
虽然lmdb的内存消耗是leveldb的1.1倍，但是lmdb的速度比leveldb快10%至15%，更重要的是lmdb允许多种训练模型同时读取同一组数据集。
因此lmdb取代了leveldb成为Caffe默认的数据集生成格式。（这点得吐槽下了，没空的自行跳过此段。
之前用的是实验室服务器上安装的老版本的caffe，在运行MNIST和CIFAR-10的例子时，caffe官网教程上的还是生成*_leveldb格式的数据，但当我几天后跑ImageNet实例时，提示我找不到$CAFFE_ROOT/build/tools/目录下的caffe文件，后来还是通过和网友的tools目录下的文件对比才发现，编译后生成的老版本的caffe比新版的少了一堆东西，只好重新编译新版本，编译过程中发现缺少lmdb，查资料才发现，caffe已经用lmdb取代了leveldb，而返回去看之前的MNIST和CIFAR-10实例教程，发现教程上也已经将leveldb的部分改成lmdb了。还是提醒各位及时升级，有问题多看几遍官网教程）
2、数据传输：
当数据在前向后向传输时，caffe采用blobs的形式对数据进行传递或处理，它是该框架采用的标准的存储接口。
下面是百度百科上对blob的一段解释：
BLOB (binary large object)，二进制大对象，是一个可以存储二进制文件的容器。在计算机中，BLOB常常是数据库中用来存储二进制文件的字段类型。
BLOB是一个大文件，典型的BLOB是一张图片或一个声音文件，由于它们的尺寸，必须使用特殊的方式来处理（例如：上传、下载或者存放到一个数据库，caffe中的lmdb或leveldb）
在caffe中，blob是一个四位数组，不过在不同的场合，各维表示的意义不同
对于数据：Number*Channel*Height*Width
对于卷积权重：Output*Input*Height*Width
对于卷积偏置：Output*1*1*1
Caffe系统配置
1、硬件配置参数规格
CPU 架构x86_64
系统内存8-32GB
CPU1
GPU 型号NVIDIA TITAN X
GPU1-2
2、服务器
参数规格
CPU 架构x86_64
系统内存32 GB
每节点的 CPU 数目1-2
GPU 型号
Tesla M40
Tesla P100
每节点的 GPU 数目1-4
3、软件配置
参数版本
操作系统Ubuntu 14.04
GPU 驱动程序367.27 或更新版本
CUDA 工具包8.0
cuDNN 库v5.1
