在開始之前，我們很感激你對Caffe2感興趣，希望Caffe2在你的機器學習作品中是一個高性能的框架。Caffe2致力於模塊化，促進深度學習想法和原型的實現。
選擇你的學習路線
1. 使用一個現成的預訓練模型（容易）
2. 編寫自己的神經網絡（中等）
3. 移動應用。做一個應用深度學習技術的移動端APP（高級）
選擇1，點擊鏈接，有幾個使用預訓練模型的例子，我們將會展示如何在幾分鍾內跑起demo
選擇2，你需要一些深度學習的背景知識。后面會給出一些資料的鏈接。
選擇3，你將會看到如何在Android或者IOS上運行圖像分類的APP。這是完全即插即用的，不過你需要了解Caffe2的C++接口。
IPython Notebook
在/caffe/python/examples目錄下有幾個程序示例，可以幫助你了解如何使用Caffe2
char_rnn.py：生成一個遞歸神經網絡，對你輸入的文本進行抽樣，然后隨機生成一個類似風格的文本。
lmdb_create_example.py：生成一個圖片和標簽的lmdb的數據庫，你可以把這個作為框架寫自己的數據讀入接口
resnet50_trainer.py：多GPU並行訓練Resnet-50。可以用來在imagenet上訓練。
seq2seq.py：創建一個特殊的能處理文本行的RNN，比如翻譯
seq2seq_util.py：序列到序列的有用函數
New to Caffe2
Basics of Caffe2 - Workspaces, Operators, and Nets
Caffe2 包含三個概念：
- Workspaces
- Operators
- Nets
Toy Regression - Plotting Lines & Random Data
這個教程主要展示了如何使用Caffe2進行回歸
- 生成隨機樣本數據
- 創建網絡
- 自動訓練網絡
- 查看梯度下降結果和訓練過程中參數的變化
Image Pre-Processing Pipeline
這個例子主要展示了如何進行數據預處理使之適合預訓練的模型。
- 調整
- 縮放
- HWC到CHW的變換（譯者注：縮寫應該是channel，height，width）
- RGB到BGR的變換
- 圖像預處理（譯者注：包括減均值，歸一化等等）
Creating a Convolutional Neural Network from Scratch
MNIST - Handwriting Recognition
這個教程創建一個小小的CNN來識別手寫字符。
Create Your Own Dataset
這個教程告訴你如何導入和修改數據使之能在Caffe2中使用。教程使用的是Iris數據集
Tour of Caffe Components
C++ implementation
gpu.h: needs documentation
db.h: needs documentation
Python implementation
TensorProtosDBInput: needs documentation
Writing Your Own Operators
自定義Operators參考如下教程
Guide for creating your own operators
Tutorials Installation
如果你需要跑起手冊里面的例子，你需要安裝如下依賴包
sudo pip install flask graphviz hypothesis jupyter leveldb lmdb matplotlib pydot pyyaml requests scikit-image scipy tornado zeromq
結語：
轉載請注明出處：http://www.jianshu.com/c/cf07b31bb5f2