1.深度学习框架caffe介绍
caffe的介绍：
谷歌有tensorflow,微软和百度都有自己的框架，caffe入手简单，应用场景广，很多公司用此框架完成工程项目。
caffe是基于服务器端的，要在PC端做这个事情，目前深度学习很多场景都应用不了，比如说手机端，一些嵌入式端，贾清扬正在研究一个新的框架，caffe2go这个框架致力于手机端的，目前还未开源。caffe框架完全用C++来编写的，提供了Python接口和MATLAB接口，搞工程的对Python比较熟悉，学校搞研究的对matlab比较熟悉，推荐使用Python接口。一方面来说Python语言使用的范围更广，另外matlab不适合公司，一般用Python实现工业的项目；而且Python的库可供选择性也很多。
caffe厉害之处在于Noneed to write a code!适合大家入门。
caffe主要包含的部分：
Blob：存储数据和导数Store data and derivatives
layer: Transforms bottom blobs to top blobs网络由层构成
Net:Manylayers; computes gradients via forward/ backward层次结构组成网络
Solver:Uses grandients to update weights网络是靠Solver文件来支配的，超参数如学习率，衰减率等等都是通过Solver文件来支配的。
想要训练Caffe所要分成的步骤：
1.Convert data(run a script)：对数据进行预处理，把数据做成数据源的格式，再把数据源交给Caffe,从而Caffe能够实现。
2.Define net(edit prototxt)：定义一个网络，卷积神经网络有很多种类，网络是由自己定义出来的，定义时只需要写一个配置文件，不需要写代码
3.Define slover(edit prototxt)：定义一些Solver从而控制超参数
4.Train(with pretrained weights): (run a script)训练网络，Ubuntu系统中直接调用命令行就能完成操作
第二步中定义网络如何定义呢？——先写数据层，再写卷积层，全连接层。每一个层里有很多的参数项
第三步中定义Solver配置文件，弄清楚所表达的意思
第四步直接训练就可以了，直接调用命令
$./build/tools/caffe train \
-gpu 0\
-modelpath/to/trainval.prototxt \
-solverpath/to/solver.prototxt \
-weighspath/to/pretrained_weights.caffemodel
关于Caffe安装的问题: caffe有CPU与GPU两个版本。GPU的版本比较复杂一些，详见网上参考教程。Caffe: Model Zoo, 下载很多模型做fine turn 或transfer learning, 在别人的网络基础上做一个微调有AlexNet, VGG, GoogleLeNet, ResNet(残差网络）,plus others。
