另外，deep learning research 用 caffe 不錯阿
即使是 research，training 的速度還是很重要的，應該說非常重要
不然 google 幹麻花這麼多夫下去作平行化？
這邊要澄清一件事，作 deep learning 你的資料量一定要大
資料量不大的話，你用 deep learning 其實意義不大
傳統的 svm/boosting/random-forrest 參數對了不見得比較差
你要真的做出一些顯著差異，資料量一定要大，但資料量一大，速度就很重要
caffe 如果真要說有什麼缺點，不是他為了快犧牲可用性，而是他還不夠快
他以前只能單機器單張 GPU，後來可以單機器多 GPU，但現在還是無法多機器
如果能用日前剛 open source 的 TensorFlow 的話，完全推薦你用 TensorFlow
原因如下：
一、效能
如果你有多機器
雖然目前 open 出來的 TensorFlow 只有單機版本，但跨機器的版本很快會釋出
TensorFlow 會自動根據 model 跟 training data 進行跨機器平行化
如果你有一台以上的機器，在 training time 上面，TensorFlow 這會是你的首選
如果你只有單機器
如果你只有一台機器，你可能會看到有些 benchmark
說 TensorFlow 比其他 library 慢，沒錯，這是真的，不過這是有原因的
因為當初 google 開發 TensorFlow 的時候，用的是自己的 compiler
他們沒想到外面大家用的 compiler 竟然沒作某些最佳化 = =||
跟他們家裡面的比起來竟然差這麼多，他們也很訝異
他們正在想辦法改善這點，預計應該是會跟 caffe 差不了太遠
二、簡單好寫
TensorFlow 的 model 比 caffe 用的 protobuf 好寫很多
而且你設計新的 layer 不用自己推導 back-propagation 的方程式微分
他會自動幫你推導，省事很多
三、可移植性
未來 Google 的 Machine Learning As A Service 極有可能可以直接吃 TensorFlow
你的 model 都不用改，丟上雲端就可以直接享受多機器平行 train 了
但如果你用的是 caffe，你可能還得寫程式把那個 protobuf 轉成 TensorFlow
大概降。
不過如果你還是堅持想用 caffe，還是可以問。
會的我就盡量回答 ＠＠ 我不會的我會去找人幫看 XD
話說台灣現在有哪些單位在作 deep learning 阿？
大家能不能簽到一下阿 QQ?