关于框架

Caffe

依赖大量第三方库
为了读取图像，以及简单的图像处理，连接很重的Opencv库
boost来实现一些C++特征
HD5/LMDB/LEVELDB来做数据IO
ProBuffer使用随处可见

基于层的设计思路

Blob模块：实现了tensor功能，保存数据和梯度值
Layer模块：根据输入(bottom)blog计算输出（top）blog，同时保存权重/梯度
NET模块：有多个layer组成，实现forward/backward计算
SOLVER模块：最优化模块，利用梯度值更新权重

Protocol Buffer 技术

引入Protocol Buffer 技术，省去编写大量描述性的c++代码，比如配置参数，属性变量等等
方便序列化，用户可以直接阅读protext文件，来了解网络结构

prototxt .caffemodel文件

protxt描述网络，通过google的protobuffer编译器直接读取/序列化c++对象
caffemodel权重文件

caffe的训练

需要做数据准备，保存为LMDB/Leveidb格式
不用编写C++代码，直接编写.prototxt定义net对象
直接编写.protoxt定义net对象
通过参数直接执行caffe命令进行训练
第一部数据准备
准备数据文件：
通过tools/create命令产生LMDB/LEVEidb格式数据文件
第二步：编写网络文件
规则简单的，可以直接用文本编辑器生成
网络结构复杂的，利用python脚本生成
注意net protoxt文件描述的是有向无环图
复杂的网络
网络结构复杂：残差网路
层数比较多，手写非常低效
网络结构无法复用，prototxt不具备可编程性
第三步：定义solver文件
简单手动编写
第四步：训练

主要特点

技术细节全面采用c++实现
依赖proto buffer/boost开发库
gpu加速采用cuda开发
opencv仅仅是补充功能，非核心模块
Layer based
采用DSL定义网络结构
layer/blob/net/solver结构

Torch

最灵活最容易学习的深度框架

LUA语言

类似javascript动态语言，LuaJit性能高与大多数脚本语言
结合c语言开发非常简单，通过Luaffi直接调用c编写模块

主要特点

灵活的框架
使用Lua语言作为控制应用层，彻底模块化设计
友好的交互
快速学习深度学习中各个组件的功能
全程可控的训练过程
适合实验新的网络类型

Tensorflow

google研发
基于computer graphs计算模型
python/c++语言
tensorboard可视化工具
多机多卡支持

computation graphs

首先构造好整个计算链路
可以对链路进行优化
分布式调度容易实现

MXNET

与tensorflow类似，但在支持图计算的基础上，增加过程模拟，支持两种计算模型
比tensorflow更轻量