Caffe 是一个面向深度学习研究与部署的框架，由 Berkeley AI Research（BAIR）和社区贡献者共同开发，最初由杨庆·贾在加州大学伯克利分校攻读博士期间创建。它将模型与优化过程通过配置定义，减少硬编码，并支持在 CPU 与 GPU 之间切换，覆盖视觉、语音和多媒体应用。Caffe 的特点集中在表达性架构、可扩展代码、处理速度以及围绕研究项目和工业应用形成的社区生态；项目按照 BSD 2-Clause 许可证发布。
核心功能
配置化定义模型与优化
Caffe 使用配置来定义模型和优化过程，而不是把这些内容硬编码在程序中。开发者可以据此进行应用开发和实验，并通过设置一个标志在 CPU 与 GPU 之间切换。官网文档还提供了网络接口可视化、逐层查看特征和参数等示例。
GPU 训练与快速推理
Caffe 面向研究实验和工业部署，官网给出了基于单块 NVIDIA K40 GPU 的性能数据：结合 ILSVRC2012 获胜的 SuperVision 模型和预取 I/O 时，每天可处理超过 6000 万张图像，推理速度为每张图像 1 毫秒，学习速度为每张图像 4 毫秒。官网同时说明，更新版本和更新硬件的速度更快。
图像分类与视觉任务
Caffe 提供图像分类 Web 演示，并包含 ImageNet、MNIST、CIFAR-10 等教程。示例覆盖预训练模型分类、特征提取、R-CNN 检测、风格识别微调、Siamese 网络嵌入，以及使用 Python 数据层进行多标签分类。
预训练模型与模型调整
官网提供 Model Zoo，并说明 BAIR 建议采用标准的 Caffe 模型分发格式，同时提供训练好的模型。使用者可以基于 ImageNet 训练的 CaffeNet 在新数据上进行微调，也可以执行网络手术，手动修改模型参数，以适应自定义使用场景。
多种开发接口与示例
Caffe 提供 Python 接口示例，用于定义、训练和测试 LeNet，也提供低级 C++ API 的图像分类示例。项目还包含 C++ 特征提取工具、命令行教程、基于 Flask 的图像分类 Web 服务示例，以及自动生成的 API 文档。
使用方式
官网提供教程文档、安装说明、Notebook 示例、命令行示例和 API 文档。安装说明标注已在 Ubuntu、Red Hat 和 OS X 上测试；开发者可以使用 Python 接口、C++ API 或命令行工具进行训练、测试、分类和特征提取。官网也提供一个运行在 Flask Web 服务器上的图像分类示例，以及可直接体验的 Web 图像分类演示。正文没有说明是否需要注册，也没有提到自备模型 Key 或具体导入导出流程。
适用人群与场景
从事深度学习研究的人员可以使用 Caffe 进行网络训练、测试、特征可视化和模型微调。计算机视觉开发者可以用它完成图像分类、目标检测、特征提取、风格识别和多标签分类。需要将模型部署到不同计算环境的团队，可以利用 CPU、GPU、商品集群和移动设备之间的切换能力。官网还提到，Caffe 已被用于学术研究项目、创业公司原型以及大规模工业应用。
注意事项
Caffe 的安装说明明确列出了 Ubuntu、Red Hat 和 OS X 测试环境，但正文没有给出其他操作系统的兼容性说明。官网性能数据带有特定条件，基于单块 NVIDIA K40 GPU、SuperVision 模型和预取 I/O，不能直接视为所有硬件和模型下的固定表现。项目采用 BSD 2-Clause 许可证。
