1、优点：简洁易用、快速

2、缺点：缺少灵活性，扩展难，依赖众多环境且难以配置，应用局限。

3、在Caffe中 最主要的抽象对象是层 ，每实现一个新的层，必须要利用C++实现它的 前向传播 和 反向传播代码。

4、如果想要 新的层运行在GPU上 ，还需要 同时利用CUDA实现这一层的前向传播和反向传播 。

2、Caffe2

1、Caffe2是一个 兼具表现力、速度和模块性 的开源深度学习框架。

2、Caffe2的 设计追求轻量级，在保护扩展性和高性能的同时，Caffe2也强调了便携性 。

3、Caffe2从一开始就以 性能、扩展、移动端部署 作为主要设计目标。

4、Caffe2的核心C++库能提供 高速和便携性 ，而其Python和C++API使用户可以轻松地在Linux、Windows、iOS、Android，甚至Raspberry Pi和NVIDIA Tegra上进行原型设计、训练和部署。

5、 Caffe2继承了Caffe的优点

二、TensorFlow

1、TensorFlow

1、很大程度上，TensorFlow可以看作是Theano和后继者，它们不仅有一大批共同的开发者，设计理念也相似，都是基于计算图实现自动微分系统。

2、Ten

3.1Cafe 是一种对新手非常友好的深度学习 框架 ，它的相应优化都是以文本形式而非代码形式给出。Cafe中的网络都是有向无环图的集合，可以直接定义。有向无环图：若一个有向图中不存在环，则称为有向无环图，简称为DAG图。图3.1.1 有向无环图3.2数据及其导数以blob的形式在层间流动，Cafe层的定义由两部分组成:层属性与层参数。 Caffe 使用blob存储、交换、操纵这些信息。blob是整个 框架 的标准的数组结构和统一存储接口。 1 PyTorch 简介 1.1 PyTorch 的诞生 2017年1月， Facebook人工智能研究院 (FAIR) 团队在 GitHub上开源了 PyTorch ( PyTorch 的Logo如图1-1所示），并迅速占 领GitHub热度榜榜首。 作为一个2017年才发布，具有先进设计理念的 框架 ， PyTorch 的历史可追溯到2002年就诞生千纽约大学的Torch。 Torch使用了—种 不是很大众... Python 优先： PyTorch 的 API 设计简洁，易于使用，且与 Python 的兼容性非常好。- 易于使用： Caffe 提供了丰富的预训练模型，用户可以直接用于自己的任务，节省了大量的时间。- 强大的功能： TensorFlow 支持各种类型的神经网络，如 CNN、RNN、GAN 等。- 模块化设计： Caffe 的模型和优化算法是分离的，用户可以根据自己的需求进行组合。- 庞大的社区： TensorFlow 拥有庞大的用户群体和丰富的教程资源。 from http://chenrudan.github.io/blog/2015/11/18/comparethreeopenlib.html#0-tsina-1-2654-397232819ff9a47a7b7e80a40613cfe1 最近Google开源了他们内部使用的深度学习 框架 TensorFlow [1]，结合之前开源的MXNet[2]和 Caffe [3]，对三个开源库做了一些讨 深度学习已经成为当今计算机科学领域的热门技术，而Python则是深度学习领域最受欢迎的编程语言之一。在Python中，有多个深度学习 框架 可供选择，其中最受欢迎的包括Keras、 PyTorch 和 Caffe 。本文将介绍这三个 框架 的使用和模型设计，帮助读者了解它们的优势、特点和适用场景。本文介绍了Python在深度学习领域的重要性以及三个主流深度学习 框架 Keras、 PyTorch 和 Caffe 的使用和模型设计。通过实例代码和技术案例的引导，读者可以初步了解这些 框架 的特点和应用场景。 然而尽管开发已超过一年， Caffe 2仍然是一个不太成熟的 框架 ，官网至今未提供完整的文档，其安装也 比较 麻烦，编译过程时常出现异常，在GitHub上也很少找到相应的代码。 框架 的运行速度和程序员的编码水平有极大关系，但同样的算法，使用 PyTorch 实现的更有可能快过用其他 框架 实现的。 PyTorch 提供了完整的文档、循序渐进的指南，作者亲自维护的论坛供用户交流和学习，FAIR对 PyTorch 提供了强力支持，作为当今排名前三的深度学习研究机构，FAIR的支持足确保 PyTorch 获得持续的开发和更新。 选择深度学习 框架 是一个重要的决策。 Caffe 、 PyTorch 和 TensorFlow 各有优劣，适用于不同的场景和需求。希望本文能帮助您更好地理解这三种 框架 的特点，并为您的选择提供一些参考。记住，最重要的是找到最适合您项目和团队需求的 框架 。 caffe 是 比较 老的 框架 了， pytorch 还不火的时候，还是 比较 流行的，有些 比较 著名的如人脸识别网络如centerloss，目标检测网络mtcnn、ssd，OCR识别都有对应的 caffe 版本。但有几个问题：1、添加新的层 比较 麻烦，要写反向传播；2、搭建网络时，prototxt的网络结构 比较 麻烦，动辄几千行。3、一些新的trick添加 比较 麻烦。 pytorch 可以解决以上问题。现在很多任务都会使用 pytorch 进行训练了。但 pytorch 也存在问题，在服务器部署时还好。但要是在嵌入式端部署，一般都需要把模型 一种深度学习 框架 ； 2017年1月， Facebook人工智能研究院 (FAIR) 团队在 GitHub上开源了 PyTorch 。 其与Torch 的不同之处在于 PyTorch 使用了Python 作为开发语言。 TensorFlow 2015年11月10日， Google宣布推出全新的机器学习开源工具 TensorFlow 。 TensorFlow 主要用于进行机器学习和深度神经网络研究，但它是一个非常基础的系统，因此也可以应用于众多领域。 由于Google在深度学习领域的巨大影响力和强大的推广