Caffe 全稱為 Convolutional Architecture for Fast Feature Embedding，是一個被廣泛使用的開源深度學習框架（在 TensorFlow 出現之前一直是深度學習領域 GitHub star 最多的項目)，目前由伯克利視覺學中心（Berkeley Vision and Learning Center，BVLC）進行維護。Caffe 的創始人是加州大學伯克利的 Ph.D.賈揚清，他同時也是TensorFlow的作者之一，曾工作於 MSRA、NEC 和 Google Brain，目前就職於 Facebook FAIR 實驗室。Caffe 的主要優勢包括如下幾點。
容易上手，網絡結構都是以配置文件形式定義，不需要用代碼設計網絡。
訓練速度快，能夠訓練 state-of-the-art 的模型與大規模的數據。
組件模塊化，可以方便地拓展到新的模型和學習任務上。
Caffe 的核心概念是 Layer，每一個神經網絡的模塊都是一個 Layer。Layer 接收輸入數據，同時經過內部計算產生輸出數據。設計網絡結構時，只需要把各個 Layer 拼接在一起構成完整的網絡（通過寫 protobuf 配置文件定義）。比如卷積的 Layer，它的輸入就是圖片的全部像素點，內部進行的操作是各種像素值與 Layer 參數的 convolution 操作，最后輸出的是所有卷積核 filter 的結果。每一個 Layer 需要定義兩種運算，一種是正向（forward）的運算，即從輸入數據計算輸出結果，也就是模型的預測過程；另一種是反向（backward）的運算，從輸出端的 gradient 求解相對於輸入的 gradient，即反向傳播算法，這部分也就是模型的訓練過程。實現新 Layer 時，需要將正向和反向兩種計算過程的函數都實現，這部分計算需要用戶自己寫 C++或者 CUDA （當需要運行在 GPU 時）代碼，對普通用戶來說還是非常難上手的。正如它的名字 Convolutional Architecture for Fast Feature Embedding 所描述的，Caffe 最開始設計時的目標只針對於圖像，沒有考慮文本、語音或者時間序列的數據，因此 Caffe 對卷積神經網絡的支持非常好，但對時間序列 RNN、LSTM 等支持得不是特別充分。同時，基於 Layer 的模式也對 RNN 不是非常友好，定義 RNN 結構時比較麻煩。在模型結構非常復雜時，可能需要寫非常冗長的配置文件才能設計好網絡，而且閱讀時也比較費力。
Caffe 的一大優勢是擁有大量的訓練好的經典模型（AlexNet、VGG、Inception）乃至其他 state-of-the-art （ResNet等）的模型，收藏在它的 Model Zoo （http://github.com/BVLC/ caffe/wiki/Model-Zoo）。因為知名度較高，Caffe 被廣泛地應用於前沿的工業界和學術界，許多提供源碼的深度學習的論文都是使用 Caffe 來實現其模型的。在計算機視覺領域 Caffe 應用尤其多，可以用來做人臉識別、圖片分類、位置檢測、目標追蹤等。雖然 Caffe 主要是面向學術圈和研究者的，但它的程序運行非常穩定，代碼質量比較高，所以也很適合對穩定性要求嚴格的生產環境，可以算是第一個主流的工業級深度學習框架。因為 Caffe 的底層是基於 C++的，因此可以在各種硬件環境編譯並具有良好的移植性，支持 Linux、Mac 和 Windows 系統，也可以編譯部署到移動設備系統如 Android 和 iOS 上。和其他主流深度學習庫類似，Caffe 也提供了 Python 語言接口 pycaffe，在接觸新任務，設計新網絡時可以使用其 Python 接口簡化操作。不過，通常用戶還是使用 Protobuf 配置文件定義神經網絡結構，再使用 command line 進行訓練或者預測。Caffe 的配置文件是一個 JSON 類型的 .prototxt 文件，其中使用許多順序連接的 Layer 來描述神經網絡結構。Caffe 的二進制可執行程序會提取這些 .prototxt 文件並按其定義來訓練神經網絡。理論上，Caffe 的用戶可以完全不寫代碼，只是定義網絡結構就可以完成模型訓練了。Caffe 完成訓練之后，用戶可以把模型文件打包制作成簡單易用的接口，比如可以封裝成 Python 或 MATLAB 的 API 。不過在 .prototxt 文件內部設計網絡節構可能會比較受限，沒有像 TensorFlow 或者 Keras 那樣在 Python 中設計網絡結構方便、自由。更重要的是，Caffe 的配置文件不能用編程的方式調整超參數，也沒有提供像 Scikit-learn 那樣好用的 estimator 可以方便地進行交叉驗證、超參數的 Grid Search 等操作。
Caffe 在 GPU 上訓練的性能很好（使用單塊 GTX 1080 訓練 AlexNet 時一天可以訓練上百萬張圖片），但是目前僅支持單機多 GPU 的訓練，沒有原生支持分布式的訓練。慶幸的是，現在有很多第三方的支持，比如雅虎開源的 CaffeOnSpark，可以借助 Spark 的分布式框架實現 Caffe 的大規模分布式訓練。
官方網址：http://caffe.berkeleyvision.org/
GitHub：http://github.com/BVLC/caffe