Caffe原作者贾扬清开发者伯克利视觉和学习中心（Berkeley Vision and Learning Center）当前版本1.0 (2017年4月18日；稳定版本)
源代码库github .com /BVLC /caffe
编程语言C++操作系统Linux、macOS、Windows类型深度学习框架许可协议BSD网站caffe .berkeleyvision .org
CAFFE（快速特征嵌入的卷积结构，Convolutional Architecture for Fast Feature Embedding）是一个深度学习框架，最初开发于加利福尼亚大学伯克利分校。Caffe在BSD许可下开源，使用C++编写，带有Python接口。
机器学习与数据挖掘
范式
监督学习
无监督学习
在线机器学习
元学习
半监督学习
自监督学习
强化学习
基于规则的机器学习
量子机器学习
问题
统计分类
生成模型
回归分析
聚类分析
降维
密度估计
异常检测
数据清洗
自动机器学习
关联规则学习
语义分析
结构预测
特征工程
表征学习
排序学习
语法归纳
本体学习
多模态学习
监督学习
(分类 · 回归)
学徒学习
决策树学习
集成学习
Bagging
提升方法
随机森林
k-NN
线性回归
朴素贝叶斯
人工神经网络
逻辑斯谛回归
感知器
相关向量机（RVM）
支持向量机（SVM）
聚类分析
BIRCH
CURE算法
层次
k-平均
Fuzzy
期望最大化（EM）
DBSCAN
OPTICS
均值飘移
降维
因素分析
CCA
ICA
LDA
NMF
PCA
PGD
t-SNE
SDL
结构预测
图模式
贝氏网络
条件随机域
隐马尔可夫模型
异常检测
RANSAC
k-NN
局部异常因子
孤立森林
人工神经网络
自编码器
认知计算
深度学习
DeepDream
多层感知器
RNN
LSTM
GRU
ESN
储备池计算
受限玻尔兹曼机
GAN
SOM
卷积神经网络
U-Net
Transformer
Vision transforme
脉冲神经网络
Memtransistor
电化学RAM（ECRAM）
强化学习
Q学习
SARSA
时序差分（TD）
多智能体
Self-play
与人类学习
主动学习
众包
Human-in-the-loop
模型诊断
学习曲线
数学基础
内核机器
偏差–方差困境
计算学习理论
经验风险最小化
奥卡姆学习
PAC学习
统计学习
VC理论
大会与出版物
NeurIPS
ICML
ICLR
ML
JMLR
相关条目
人工智能术语
机器学习研究数据集列表
机器学习概要
查论编
贾扬清在加州大学伯克利分校攻读博士期间创建了Caffe项目。项目现在托管于GitHub，拥有众多贡献者。
Caffe支持多种类型的深度学习架构，面向图像分类和图像分割，还支持CNN、RCNN、LSTM和全连接神经网络设计。Caffe支持基于GPU和CPU的加速计算内核库，如NVIDIA cuDNN和Intel MKL。
Caffe应用于学术研究项目、初创原型甚至视觉、语音和多媒体领域的大规模工业应用。雅虎将Caffe与Apache Spark集成在一起，创建了一个分布式深度学习框架CaffeOnSpark。
2017年4月，Facebook发布Caffe2，加入了循环神经网络等新功能。2018年3月底，Caffe2并入PyTorch。
深度学习软件比较
卷积神经网络
深度学习
机器学习
