1. 声明式网络定义：通过prototxt配置文件定义网络结构与优化策略，模型即配置，无需硬编码。2. 高速训练与推理：单GPU推理约1ms/张、训练约4ms/张，性能卓越。3. CPU/GPU无缝切换：设置单一标志即可在GPU训练、CPU或移动端部署。4. 丰富的预训练模型：提供AlexNet、CaffeNet、R-CNN等经典模型，并通过Model Zoo实现社区模型共享。5. 高度模块化与可扩展：支持自定义数据层、损失函数和网络层，提供C++与Python（pycaffe）双接口。6. 任务覆盖广泛：支持图像分类、目标检测、特征提取、模型微调（Fine-tuning）及风格识别等。

1. 安装依赖并编译：安装CMake、Boost、OpenCV、CUDA/cuDNN等依赖，配置Makefile.config后编译Caffe。2. 准备数据：将图像数据转换为LMDB或LevelDB格式，也可使用HDF5数据。3. 定义网络：编写.prototxt文件，配置数据层、卷积层、全连接层与损失层等。4. 训练模型：通过caffe train命令加载solver配置文件进行训练，或用Python接口编写训练脚本。5. 部署推理：通过caffe test命令或Python/C++接口加载.caffemodel权重文件，完成测试与生产部署。

1. 极致速度：针对卷积网络深度优化GPU内存管理与CUDA内核，训练和推理效率极高，尤其适合大规模图像处理。2. 表达力强：网络与优化过程通过配置定义，结构透明、易于理解和复用，方便快速实验。3. 模块化架构：层、损失函数、数据输入等模块解耦，便于按需扩展新功能。4. 生态成熟：BSD开源许可，社区贡献活跃，Model Zoo提供大量开箱即用的预训练模型。5. 部署友好：可在GPU上训练后轻松部署到普通服务器或移动设备，在视觉方向的工业落地经验丰富。

与TensorFlow、PyTorch等主流框架相比，Caffe更专注于卷积神经网络与图像任务，强调速度和易部署。TensorFlow采用数据流图、面向研究与服务器场景，提供高级API；PyTorch以动态图著称，灵活易调试、社区活跃。Caffe则使用声明式prototxt配置，不提供高级API，学习曲线相对陡峭，且官方已停止更新维护，对新硬件和新算子的支持不足。不过，Caffe在图像分类、目标检测等传统视觉场景中仍沉淀了大量成熟模型可供直接复用，而C++团队也更偏爱其底层控制能力。总体而言，Caffe适合视觉工程化场景，而新项目和研究探索更推荐TensorFlow或PyTorch。

1. 安装困难怎么办？Caffe依赖大量库（OpenCV、CUDA、Boost等），版本兼容问题多，建议使用官方Docker镜像或严格按文档逐步编译，并选择官方测试过的系统版本。2. 官方不再维护还能用吗？代码与模型仍可正常使用，适合复用已有视觉模型库，新项目建议优先考虑PyTorch等活跃框架。3. 如何加载预训练模型？准备.prototxt结构文件和.caffemodel权重文件，使用caffe.Net()加载即可。4. 图像通道顺序注意什么？Caffe默认使用BGR通道顺序，输入前需做相应转换。5. 训练内存不足怎么办？可减小batch size、切换CPU模式或优化GPU显存管理。6. 如何自定义层？通过C++继承Layer类实现自定义层，但需重新编译框架。