**：
caffe的執行提供三種介面：c++介面（命令列）、python介面和matlab介面。本文先對命令列進行解析，後續會依次介紹其它兩個介面。
caffe的c++主程式（caffe.cpp)放在根目錄下的tools資料夾內, 當然還有一些其它的功能檔案，如：convert_imageset.cpp, train_net.cpp, test_net.cpp等也放在這個資料夾內。經過編譯後，這些檔案都被編譯成了可執行檔案，放在了 ./build/tools/ 資料夾內。因此我們要執行caffe程式，都需要加 ./build/tools/ 字首。
如：
#sudo sh ./build/tools/caffe train --solver=examples/mnist/train_lenet.sh
caffe程式的命令列執行格式如下：
caffe
其中的有這樣四種：
對應的功能為：
train----訓練或finetune模型（model),
test-----測試模型
device_query---顯示gpu資訊
time-----顯示程式執行時間
其中的引數有：
注意前面有個-符號。對應的功能為：
-solver：必選引數。乙個protocol buffer型別的檔案，即模型的配置檔案。如：
#./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt
-gpu: 可選引數。該引數用來指定用哪一塊gpu執行，根據gpu的id進行選擇，如果設定為'-gpu all'則使用所有的gpu執行。如使用第二塊gpu執行：
#./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -gpu 2
-snapshot:可選引數。該引數用來從快照（snapshot)中恢復訓練。可以在solver配置檔案設定快照，儲存solverstate。如：
#./build/tools/caffe train -solver examples/mnist/lenet_solver.prototxt -snapshot examples/mnist/lenet_iter_5000.solverstate
-weights:可選引數。用預先訓練好的權重來fine-tuning模型，需要乙個caffemodel，不能和-snapshot同時使用。如：
#./build/tools/caffe train -solver examples/finetuning_on_flickr_style/solver.prototxt -weights models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel
-iterations: 可選引數，迭代次數，預設為50。 如果在配置檔案檔案中沒有設定迭代次數，則預設迭代50次。
-model:可選引數，定義在protocol buffer檔案中的模型。也可以在solver配置檔案中指定。
-sighup_effect：可選引數。用來設定當程式發生
掛起事件時，執行的操作，可以設定為snapshot, stop或none, 預設為snapshot
-sigint_effect: 可選引數。用來設定當程式發生鍵盤中止事件時（ctrl+c), 執行的操作，可以設定為snapshot, stop或none, 預設為stop
剛才舉例了一些train引數的例子，現在我們來看看其它三個：
test引數用在測試階段，用於最終結果的輸出，要模型配置檔案中我們可以設定需要輸入accuracy還是loss. 假設我們要在驗證集中驗證已經訓練好的模型，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
這個例子比較長，不僅用到了test引數，還用到了-model, -weights, -gpu和-iteration四個引數。意思是利用訓練好了的權重（-weight)，輸入到測試模型中(-model)，用編號為0的gpu(-gpu)測試100次(-iteration)。
time引數用來在螢幕上顯示程式執行時間。如：
#./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -iterations 10
這個例子用來在螢幕上顯示lenet模型迭代10次所使用的時間。包括每次迭代的forward和backward所用的時間，也包括每層forward和backward所用的平均時間。
#./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -gpu 0
這個例子用來在螢幕上顯示lenet模型用gpu迭代50次所使用的時間。
#./build/tools/caffe time -model examples/mnist/lenet_train_test.prototxt -weights examples/mnist/lenet_iter_10000.caffemodel -gpu 0 -iterations 10
利用給定的權重，利用第一塊gpu，迭代10次lenet模型所用的時間。
device_query引數用來診斷gpu資訊。
#./build/tools/caffe device_query -gpu 0
最後，我們來看兩個關於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
這兩個例子表示： 用兩塊或多塊gpu來平行運算，這樣速度會快很多。但是如果你只有一塊或沒有gpu, 就不要加-gpu引數了，加了反而慢。
最後，在linux下，本身就有乙個time命令，因此可以結合進來使用，因此我們執行mnist例子的最終命令是(一塊gpu)：
$ sudo time ./build/toos/caffe train -solver examples/mnist/lenet_solver.prototxt
caffe命令列解析
caffe提供三種介面，一般是c python matlab。一般可執行檔案都是放在 build tools 資料夾內，在命令列執行命令必須現在該目錄下。也有可能不在說不定在別的地方，找caffe.exe就對了 caffe的命令形式如下 caffe 其中的command有這樣四種 其中的args引數...
Caffe 命令列解析
sudo sh build tools caffe train solver examples mnist train lenet.shcaffe程式命令列執行格式如下 caffe 其中有這樣四種 build tools caffe train solver examples mnist lenet...
caffe學習系列 命令列解析
caffe的執行提供三種介面 c 介面 命令列 python介面和matlab介面。本文先對命令列進行解析，後續會依次介紹其它兩個介面。caffe的c 主程式 caffe.cpp 放在根目錄下的tools資料夾內,當然還有一些其它的功能檔案，如 convert imageset.cpp,train ...