現在，隨著您對深入學習的深入了解，讓我們來了解一下什麼是Caffe。
Training a CNN
讓我們學習訓練CNN對圖像進行分類的過程。這個過程包括以下步驟&負;
數據準備在這一步中，我們將圖像居中裁剪並調整大小，以便所有用於訓練和測試的圖像都具有相同的大小。這通常是通過在圖像數據上運行一個小的Python腳本來完成的。
模型定義在這個步驟中，我們定義一個CNN架構。配置存儲在.pb（protobuf）文件中。典型的CNN架構如下圖所示。
解算器定義−我們定義解算器配置文件。Solver進行模型優化。
模型培訓&負;我們使用內置的Caffe實用程序來培訓模型。培訓可能需要相當長的時間和CPU使用量。培訓完成後，Caffe將模型存儲在一個文件中，該文件稍後可用於測試數據和最終部署以進行預測。
What’s New in Caffe2
在Caffe2中，您會發現許多準備好使用的預先訓練的模型，並且還經常利用新模型和算法的社區貢獻。您創建的模型可以使用雲中的GPU功能輕鬆擴展，也可以使用移動平台上的mass及其跨平台庫。
Caffe2相對於Caffe的改進可概括如下&;
- Mobile deployment
- New hardware support
- Support for large-scale distributed training
- Quantized computation
- Stress tested on Facebook
Pretrained Model Demo
伯克利視覺和學習中心（BVLC）網站提供了他們預先訓練的網絡的演示。一個這樣的圖像分類網絡可以在這裡所述的連結上獲得，並在下面的螢幕截圖中描述。
在螢幕截圖中，狗的圖像被分類並用其預測精度標記。它還說，對圖像進行分類只需0.068秒。您可以通過指定圖像URL或在螢幕底部提供的選項中上載圖像本身來嘗試自己選擇的圖像。