1.Caffe是一种开源软件框架，内部提供了一套基本的编程框架，或者说一个模板框架，用以实现GPU并行架构下的深度卷积神经网络，Deep Learning等算法，我们可以按照框架定义各种各样的卷积神经网络的结构，并且可以再此框架下增加自己的代码，设计新的算法，该框架的一个问题就是，只能够使用卷积网络，所有框架都是再基于卷积神经网路的模型上进行的。
2.而tensorflow能够完成更多的深度学习算法，比如RNN，LSTM等。
3.caffe具有三个基本原子结构，顾名思义，原子结构就是说不能随意更改，caffe的编程框架就是在这三个原子下实现，它们分别是：Blobs, Layers, and Nets。
Blob就是一个包装器，在caffe这个流程中，所有的数据都要被包装成blob格式。然后在caffe的架构下进行编程和处理，这点事我们不能随意更改的，因为caffe本身提供了很多已经设计好的函数和类，我们随意更改数据包转器就等于没法再使用其中的函数，你就没法再Caffe的框架下设计深度神经网络。blob的格式就是（Number，Channel，Height,Width）将数据按照四元组的方式存储，这里由于是处理的图像数据，所以后面三维代表图像的数据格式，Channel代表图像的通道数，如灰度图是1通道，Channel=1，RGB图像是3通道，Channel=3，Height和Width分别是图像的长宽。至于Number则代表Batch，由于内存有限，所以我们进行训练的时候我们只能分批进行，这里还为每个batch设置了一个标识号，后面会看到我们使用随机梯度下降算法(Schocastic gredient descent,SGD)对模型进行训练,其中就是要使用到Batch，blob不仅仅只用来保存深度网路进行前向过程时的数据，还用来保存在后向求梯度过程时的梯度数据。
具体使用方式：
const Dtype* cpu_data() const;
Dtype* mutable_cpu_data()；
上面两中格式分别表示数据的固态模式和和自由模式，blob具有CPU的数据保存和GPU的数据保存，同时blob将数据在CPU和GPU之间的交换封装起来了，并进行了同步处理，因此我们不需要理会数据在GPU和CPU之间的交互。
layers是组成网络结构的单位，接受下层的数据作为输入，通过内部的运算输出。Caffe中网络层的使用定义，和一般的深度学习库类似，，都有三个步骤，1：建立层，包括建立连接关系初始化其中一些变量。2：前向计算过程，接受输入数据并计算出输出，3：后向过程，进行反向梯度的计算，并把梯度保存在层结构中。
Nets是由layers组成的，定义了输入输出以及网络各层，就定义了一个net。比如：一个最基本的单隐层网络定义如下：
name: “LogReg”
layers {
name: “mnist”
type: DATA
top: “data”
top: “label”
data_param {
source: “input_leveldb”
batch_size: 64
}
}
layers {
name: “ip”
type: INNER_PRODUCT
bottom: “data”
top: “ip”
inner_product_param {
num_output: 2
}
}
layers {
name: “loss”
type: SOFTMAX_LOSS
bottom: “ip”
bottom: “label”
top: “loss”
}
可以使用Net::Init()对定义的网络进行初始化和检查，初始化包括对一些变量权值初始化，，检查包括对网络的结构的正确性进行检查，因为涉及到网络的上下层连接关系的匹配和耦合连接。
联系客服
