一早发现caffe2的较成熟的release版发布了（the first production-ready release），那么深度学习平台在之后一段时间也是会出现其与tensorflow相互竞争的局面。
从打开这个caffe2的官网就会发现，有了Facebook的支持，连界面也好看多了。不过再仔细看看，觉得又和tensorflow有一丝像，从内到外。

Caffe 2 Caffe2

Caffe2 中基本计算单元之一是 Operators。每个 Operator 包含给定适当数量和类型的输入和参数来计算输出所需的逻辑。Caffe 和 Caffe2 功能的总体差异如下图所示：

One of basic units of computation in Caffe2 are the Operators. Each operator contains the logic necessary to compute the output given the appropriate number and types of inputs and parameters. The overall difference between operators’ functionality in Caffe and Caffe2 is illustrated in the following graphic, respectively:

看到这段话，是不是更觉得像是tensorflow了？之前layer的概念被弱化，数据与操作完全分开，不就是tensorflow里面需要定义的tf.matmul和tf.Variable这类吗？
其次提出的workspace概念很像是tf中的Session：

# Create the input data
data = http://www.mamicode.com/np.random.rand(16, 100).astype(np.float32)

# Create labels for the data as integers [0, 9].
label = (np.random.rand(16) * 10).astype(np.int32)

workspace.FeedBlob("data", data)
workspace.FeedBlob("label", label)

# Create model using a model helper
m = cnn.CNNModelHelper(name="my first net")
fc_1 = m.FC("data", "fc1", dim_in=100, dim_out=10)
pred = m.Sigmoid(fc_1, "pred")
[softmax, loss] = m.SoftmaxWithLoss([pred, "label"], ["softmax", "loss"])


54

网络的编写也向tf靠拢了（学了点tf还是有点用的）。

最后还要说一点就是对Python的支持大大增强了，当然这也是深度学习的趋势。

安装

4.18发布的版本号为v0.7.0，官网上的安装教程比较详细，也比较好操作Install。

依赖库

sudo apt-get update
sudo apt-get install -y --no-install-recommends       build-essential       cmake       git       libgoogle-glog-dev       libprotobuf-dev       protobuf-compiler       python-dev       python-pip                          
sudo pip install numpy protobuf

GPU支持

这一部分主要是CUDA与cuDNN，在之前的博客中有讲到过。

可选库

# for both Ubuntu 14.04 and 16.04
sudo apt-get install -y --no-install-recommends       libgtest-dev       libiomp-dev       libleveldb-dev       liblmdb-dev       libopencv-dev       libopenmpi-dev       libsnappy-dev       openmpi-bin       openmpi-doc       python-pydot
sudo pip install       flask       graphviz       hypothesis       jupyter       matplotlib       pydot python-nvd3       pyyaml       requests       scikit-image       scipy       setuptools       tornado

• 针对Ubuntu 14.04：

sudo apt-get install -y --no-install-recommends libgflags2

• 1

• 针对Ubuntu 16.04：

sudo apt-get install -y --no-install-recommends libgflags-dev

• 1

Clone & Build

git clone --recursive https://github.com/caffe2/caffe2.git && cd caffe2
make && cd build && sudo make install
python -c ‘from caffe2.python import core‘ 2>/dev/null && echo "Success" || echo "Failure"

• 1
• 2
• 3

这一步在我这边很慢，clone的速度大概只有几十kb，而且中途也出现了错误。如果选择用zip打包下载，就会出现caffe2/third_party/目录中第三方包缺失的情况，这时还要自己手动下载。

GPU测试可以执行：

python -m caffe2.python.operator_test.relu_op_test

• 1

这步安装完成之后，会在/usr/local/caffe2、/home/user/caffe2/build（你的build路径）路径生成caffe2的python文件，在/usr/local/lib路径生成库文件。

设置环境变量

设置正确的话，执行命令会有#后这样的输出

echo $PYTHONPATH
# export PYTHONPATH=/usr/local:$PYTHONPATH
# export PYTHONPATH=$PYTHONPATH:/home/ubuntu/caffe2/build
echo $LD_LIBRARY_PATH
# export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

具体设置更改对应shell的配置文件，一般来说

sudo vim /etc/profile

在最后加上

export PYTHONPATH=/usr/local:$PYTHONPATH
export PYTHONPATH=$PYTHONPATH:/home/ubuntu/caffe2/build
export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

• 1

就可以了。

总结

目前caffe2还不是很成熟，某些文档也还不齐，安装也可以不用很着急，熟悉一下操作就好。mask-rcnn不就应该就会在这上面放出源码，可以稍稍再期待一下。