以下内容翻译自Integrating Caffe2 on iOS/Android
Caffe2针对移动集成进行了优化，灵活，易于更新，并且能够运行在低功耗设备上。 本文将介绍如何在移动项目中实现Caffe2。
相机演示项目
如果您希望在移动端看到可行的Caffe2实施（仅限目前的Android），请查看此演示项目。
摘要
- 将模型分配给设备（Asset Pipeline，移动端配置等）。
- 实例化caffe2::Predictor实例（iOS）或Caffe2实例（Android）以将模型展示给您的代码。
- 将输入传递给模型，返回输出。
关键类
- caffe2::NetDef ——（通常是二进制序列化的）Google Protobuf实例，封装了计算图和预训练权重。
- caffe2::Predictor——通过一个“初始化”NetDef和一个“预测”NetDef实例化的有状态类，并使用输入执行“预测”NetDef并返回输出。
库架构
Caffe2由以下组成：
它是纯C++的，唯一的非可选依赖关系是：
- Google Protobuf（精简版，〜300kb）
- Eigen是某些原语所需要的BLAS库（在Android上），一个向量化的向量/矩阵操作库，Eigen是ARM中最快的基准。
对于某些用例，您还可以塞入NNPACK，这特别优化了ARM上的卷积。它是可选的（但推荐）。
错误处理是通过抛出异常，通常是caffe2::EnforceNotMet，它继承自std::exception。
直观概述
模型由两部分组成：代表学习参数（训练期间更新）的一组权重（通常为浮点数），以及一组构成计算图的“操作”，表示如何将输入数据（随每个图通过而变化）与学习参数（不随每个图通过变化）组合起来。参数（和计算图中的中间状态存在于Workspace中，它基本上是一个std::unordered_map<string，Blob>，其中Blob表示任意类型的指针，通常是TensorCPU，它是一个n维数组（一个Python的numpy ndarray，Torch的Tensor等）。
核心类是caffe2::Predictor，它展示了构造函数：
Predictor(const NetDef& init_net, const NetDef& predict_net)其中两个NetDef输入是表示上述两个计算图的Google协议缓冲区对象—— init_net通常运行一组将权重反序列化到Workspace中的操作，而predict_net指定如何为每个输入执行计算图。
使用注意事项
Predictor是一个有状态的类——通常，流程将实例化该类一次，并在多次请求中重用。 根据用例，安装开销可能是微不足道的或不容忽视的。构造函数执行以下操作：
- 构造工作区对象
- 执行
init_net，分配内存并设置参数的值。 - 构造
predict_net（将caffe2::NetDef 映射到caffe2::NetBase实例（通常为caffe2::SimpleNet）。
一个关键点是，所有的初始化在某种意义上是“静态”可验证的——如果构造函数在一台机器上失败（通过抛出异常），那么它在每台机器上总是会失败。在导出NetDef实例之前，请验证Net构造是否可以正确执行。
性能考虑
目前，Caffe2针对具有NEON的ARM CPU（自2012年起基本为任何ARM CPU）进行了优化。 也许令人惊讶的是，ARM CPU的性能优于板载GPU（在老于iPhone 6的设备上我们的NNPACK ARM CPU实现优于苹果的MPSCNNConvolution）。将计算卸载到GPU/DSP上还有其他优势，并且我们正在积极开展Caffe2中的这些工作。
对于卷积实现，建议使用NNPACK，因为它比大多数框架中使用的标准im2col/sgemm实现要快得多（约2x3x）。 建议将OperatorDef::engine设置为NNPACK。 例：
def pick_engines(net):
net = copy.deepcopy(net)
for op in net.op:
if op.type == "Conv":
op.engine = "NNPACK"
if op.type == "ConvTranspose":
op.engine = "BLOCK"
return net对于非卷积（例如排序）工作负载，关键计算基元通常是全连接层（例如Caffe2中的FullyConnectedOp，Caffe中的InnerProductLayer，Torch中的nn.Linear）。对于这些用例，您可以切回到BLAS库，特别是加速iOS上的Accelerate和Android上的Eigen。
内存考虑
实例化和运行Predictor模型的内存使用量是它的权重和激活的总和。没有分配“静态”内存，所有分配都与Predictor拥有的Workspace实例相关联，所以在删除所有Predictor实例后，应该不会再占用内存。
在导出运行之前，推荐使用以下命令：
def optimize_net(net):
optimization = memonger.optimize_interference(
net,
[b for b in net.external_input] +
[b for b in net.external_output])
try:
# This can fail if the blobs aren't in the workspace.'
stats = memonger.compute_statistics(optimization.assignments)
print("Memory saving: {:.2f}%".format(
float(stats.optimized_nbytes) / stats.baseline_nbytes * 100))
except Exception as e:
print(e)
return pick_engines(share_conv_buffers(rename_blobs(optimization.net)))这将自动共享在图的拓扑顺序中有效的激活（有关更详细的讨论，请参阅Predictor）。
iOS上的启动注意事项
Caffe2使用注册表模式来注册运算符类。宏位于核心运算符operator.h的运算符注册表部分：
// The operator registry. Since we are not expecting a great number of devices,
// we will simply have an if-then type command and allocate the actual
// generation to device-specific registerers.
// Note that although we have CUDA and CUDNN here, the registerers themselves do
// not depend on specific cuda or cudnn libraries. This means that we will be
// able to compile it even when there is no cuda available - we simply do not
// link any cuda or cudnn operators.
CAFFE_DECLARE_REGISTRY(
CPUOperatorRegistry,
OperatorBase,
const OperatorDef&,
Workspace*);
#define REGISTER_CPU_OPERATOR_CREATOR(key, ...) \
CAFFE_REGISTER_CREATOR(CPUOperatorRegistry, key, __VA_ARGS__)
#define REGISTER_CPU_OPERATOR(name, ...) \
CAFFE_REGISTER_CLASS(CPUOperatorRegistry, name, __VA_ARGS__)
#define REGISTER_CPU_OPERATOR_STR(str_name, ...) \
CAFFE_REGISTER_TYPED_CLASS(CPUOperatorRegistry, str_name, __VA_ARGS__)
#define REGISTER_CPU_OPERATOR_WITH_ENGINE(name, engine, ...) \
CAFFE_REGISTER_CLASS(CPUOperatorRegistry, name##_ENGINE_##engine, __VA_ARGS__)并使用，例如conv_op.cc：
REGISTER_CPU_OPERATOR(Conv, ConvOp<float, CPUContext>);
REGISTER_CPU_OPERATOR(ConvGradient, ConvGradientOp<float, CPUContext>);