Caffe的提供三種接口：c++接口（命令行）、python接口和matlab接口，這里介紹命令行的使用。
命令行
caffe的c++主程序（caffe.cpp）放在根目錄下的tools文件夾內(nèi), 當(dāng)然還有一些其它的功能文件，如：convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在這個(gè)文件夾內(nèi)。經(jīng)過編譯后，這些文件都被編譯成了可執(zhí)行文件，放在了./build/tools/ 文件夾內(nèi)。因此我們要執(zhí)行caffe程序，都需要加 ./build/tools/ 前綴。如：
sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh
caffe程序的命令行執(zhí)行格式如下：
caffe <command> <args>
其中的<command>有這樣四種：
- train
- test
- device_query
- time
對(duì)應(yīng)的功能為：
train----訓(xùn)練或finetune模型,
test-----測試模型
device_query---顯示GPU信息
time-----顯示程序執(zhí)行時(shí)間
其中的<args>參數(shù)有：
- -solver
- -gpu
- -snapshot
- -weights
- -iteration
- -model
- -sighup_effect
- -sigint_effect
注意前面有個(gè)-符號(hào)。
train對(duì)應(yīng)的功能為：
-solver：必選參數(shù)。一個(gè)protocol buffer類型的文件，即模型的配置文件。如：
./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt-gpu: 可選參數(shù)。該參數(shù)用來指定用哪一塊gpu運(yùn)行，根據(jù)gpu的id進(jìn)行選擇，如果設(shè)置為'-gpu all'則使用所有的gpu運(yùn)行。如使用第二塊gpu運(yùn)行：
./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 2-snapshot:可選參數(shù)。該參數(shù)用來從快照（snapshot)中恢復(fù)訓(xùn)練。可以在solver配置文件設(shè)置快照，保存solverstate。如：
./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate-weights:可選參數(shù)。用預(yù)先訓(xùn)練好的權(quán)重來fine-tuning模型，需要一個(gè)caffemodel，不能和-snapshot同時(shí)使用。如：
./build/tools/caffe train -solver examples/finetuning_on_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel-iterations: 可選參數(shù)，迭代次數(shù)，默認(rèn)為50。 如果在配置文件文件中沒有設(shè)定迭代次數(shù)，則默認(rèn)迭代50次。
-model:可選參數(shù)，定義在protocol buffer文件中的模型。也可以在solver配置文件中指定。
-sighup_effect：可選參數(shù)。用來設(shè)定當(dāng)程序發(fā)生掛起事件時(shí)，執(zhí)行的操作，可以設(shè)置為snapshot, stop或none, 默認(rèn)為snapshot
-sigint_effect: 可選參數(shù)。用來設(shè)定當(dāng)程序發(fā)生鍵盤中止事件時(shí)（ctrl+c), 執(zhí)行的操作，可以設(shè)置為snapshot, stop或none, 默認(rèn)為stop
剛才舉例了一些train參數(shù)的例子，現(xiàn)在我們來看看其它三個(gè)<command>：
test參數(shù)用在測試階段，用于最終結(jié)果的輸出，要模型配置文件中我們可以設(shè)定需要輸入accuracy還是loss. 假設(shè)我們要在驗(yàn)證集中驗(yàn)證已經(jīng)訓(xùn)練好的模型，就可以這樣寫
./build/tools/caffe test -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 100
這個(gè)例子比較長，不僅用到了test參數(shù)，還用到了-model, -weights, -gpu和-iteration四個(gè)參數(shù)。意思是利用訓(xùn)練好了的權(quán)重（-weight)，輸入到測試模型中(-model)，用編號(hào)為0的gpu(-gpu)測試100次(-iteration)。
time參數(shù)用來在屏幕上顯示程序運(yùn)行時(shí)間。如：
./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -iterations 10
這個(gè)例子用來在屏幕上顯示lenet模型迭代10次所使用的時(shí)間。包括每次迭代的forward和backward所用的時(shí)間，也包括每層forward和backward所用的平均時(shí)間。
./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -gpu 0
這個(gè)例子用來在屏幕上顯示lenet模型用gpu迭代50次所使用的時(shí)間。
./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 10
利用給定的權(quán)重，利用第一塊gpu，迭代10次lenet模型所用的時(shí)間。
device_query參數(shù)用來診斷gpu信息。
./build/tools/caffe device_query -gpu 0
最后，我們來看兩個(gè)關(guān)于gpu的例子
./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 0,1
./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu all
這兩個(gè)例子表示： 用兩塊或多塊GPU來平行運(yùn)算，這樣速度會(huì)快很多。但是如果你只有一塊或沒有g(shù)pu, 就不要加-gpu參數(shù)了，加了反而慢。
最后，在linux下，本身就有一個(gè)time命令，因此可以結(jié)合進(jìn)來使用，因此我們運(yùn)行mnist例子的最終命令是(一塊gpu)：
sudo time ./build/toos/caffe train -solver examples/mnist/lenet_solver.prototxt
