Caffe深度学习框架支持多种编程接口，包括命令行、Python和Matlab。
1、Caffe Python接口
1.1、接口功能
Caffe提供Python接口，即Pycafffe，具体实现在caffe/python文件夹内。在Python代码中import caffe，可以load models（导入模型）、forward and backward（前向、反向迭代）、handle IO (数据输入输出)、visualize networks（绘制net）和instrument model solving（自定义优化方法）。所有的模型数据、计算参数都是暴露在外、可供读写的。
（1）caffe.Net是主要接口，负责导入数据、校验数据、计算模型。
（2）caffe.Classifier用于图像分类。
（3）caffe.Detector用于图像检测。
（4）caffe.SGDSolver是露在外的solver的接口。
（5）caffe.io处理输入输出，数据预处理。
（6）caffe.draw可视化net的结构。
（7）Caffe.blobs以numpy ndarrays的形式表示，方便而且高效。
1.2、Pycaffe使用示例
以下是一个使用Caffe Python接口的识别LeNet手写数组的示例：
import os
import sys
import numpy as np
import matplotlib.pyplot as plt
caffe_root = '/home/alex/caffe-master/'
sys.path.insert(0, caffe_root + 'python')
import caffe
MODEL_FILE = '/home/alex/caffe-master/examples/mnist/lenet.prototxt'
PRETRAINED='/home/alex/caffe-master/examples/images/911.bmp'
input_image = caffe.io.load_image(IMAGE_FILE, color=False)
# print input_image
# net = caffe.Classifier(MODEL_FILE, PRETRAINED, channel_swap=(2, 1, 0), image_dims=(28, 28))
net = caffe.Classifier(MODEL_FILE, PRETRAINED)
# net = caffe.Classifier(MODEL_FILE, PRETRAINED, raw_scale=255, image_dims=(28, 28))
prediction = net.predict([input_image], oversample=False)
caffe.set_mode_cpu()
print('pretrained calss:', prediction[0].argmax())2、 Caffe命令行接口
命令行接口Cmdcaffe是Caffe中用来训练模型、计算得分以及方法判断的工具。
Cmdcaffe存放在caffe/build/tools目录下。
2.1、caffe train
caffe train命令用于模型学习，具体包括：
（1）caffe train带solver.prototxt参数完成配置。
（2）caffe train带snapshot mode_iter_1000.solverstate参数接在solver snapshot。
（3）caffe train带weight参数model.caffemodel完成Fine-tuning模型初始化。
2.2、caffe test
caffe test命令用于测试运行模型的得分，并且用百分比表示网络输出的最终结果，比如accuracy或loss作为其结果。测试过程中，显示每个batch的得分，最后输出全部batch的平均得分值。
2.3、caffe time
caffe time 命令用来检测系统性能和测量模型相对执行时间，此命令通过逐层计时与同步，执行模型检测。
参考：《深度学习——Caffe之经典模型详解与实战》