1. 前言

Caffe是大神賈揚清在加州伯克利大學博士期間開發的深度學習框架，在學界和工業界得到廣泛應用。
Caffe是CNN模型的非常好的框架，方便、易用；torch7是機器學習一個非常好的框架，但是，學習曲線比caffe要陡峭一些。torch7更靈活，能搞定更多的機器學習演算法模型。

2. Caffe上手

• 怎麼在Caffe中配置每一個層的結構: 講的相當詳細，裡面對卷積後的高寬計算我有異議，可以參考4.中的“卷積後長寬計算”。

3. Google Protocol Buffer

我的基於使用者的角度來理解這是一個標準，當大家都遵守這個標準，那麼就可以做通訊協議，可以使語言無關，平臺無關。那麼，它的乾貨部分是Protocol Buffer是一種輕便 高效

3.1test_iter和test_interval

首先說明一個概念：在caffe中的一次迭代iterration指的是一個batch，而不是一張圖片。

• test_iter: 在測試的時候，需要迭代的次數，即test_iter* batchsize（測試集的）=測試集的大小，測試集batchsize可以在prototx檔案裡設定
• test_interval:interval是區間的意思，所有該引數表示：訓練的時候，每迭代500次就進行一次測試。

caffe在訓練的過程是邊訓練邊測試的。訓練過程中每test_interval次迭代（也就是test_interval*batchsize個訓練樣本參與了計算），計算一次測試誤差。計算一次測試誤差就需要包含所有的測試圖片，這樣可以認為在一個epoch裡，訓練集中的所有樣本都遍歷以一遍，但測試集的所有樣本至少要遍歷一次，至於具體要多少次，也許不是整數次，這就要看程式碼，大致瞭解下這個過程就可以了。

4. 在 Caffe 中如何計算卷積？

• 卷積看成是多個區域性的全連線。
• 卷積後長寬計算(方形): outputh=imageh+pad−kernelhstride+1
  
  • 上述公式錯誤，感謝朝朝與暮暮指出錯誤
  • 正確公式為：
    
    • outputw=⌊imagew+2pad−kernelsizestride⌋+1
    • outputh=⌊imageh+2pad−kernelsizestride⌋+1
    • 其中stride大於等於1
    • 一般來說下式應整除，如此才能將image的所有資料進行卷積，避免資料丟失imageworh+2pad−kernelsizestride
• 知乎-賈揚清: 裡回答不是很詳細，但是圖片很生動，關鍵是作者親臨，必須要放上來。
• 如何理解卷積，另外如何理解影象處理中的卷積？: 最佳答案進行了多角度說明，如果對模版、濾波器、卷積核名詞有過了解，看了後可以加深它們共性的認識。

5. 問題彙總（待補充）

5.1. 訓練不收斂，loss居高不下

• 降低學習率。
• 樣本是否充足。

2016.12.13更新
2016.1.4更新
2016.1.13更新，未完待續