suoli0098的博客

在Deep Learning中，往往lossfunction是非凸的，没有解析解，我们需要通过优化方法来求解。solver的主要作用就是交替调用前向（forward)算法和后向（backward)算法来更新参数，从而最小化loss，实际上就是一种迭代的优化算法。 到目前的版本，caffe提供了六种优化算法来求解最优参数，在solver配置文件中，通过设置type类型来选择。 ·        

1. 初识Caffe 1.1. Caffe相对与其他DL框架的优点和缺点： 优点： 速度快。Google Protocol Buffer数据标准为Caffe提升了效率。 学术论文采用此模型较多。不确定是不是最多，但接触到的不少论文都与Caffe有关（R-CNN，DSN，最近还有人用Caffe实现LSTM） 缺点： 曾更新过重要函数接口。有人反映，偶尔会出现接口变换的情况，自己很久