另外，deep learning research 用 caffe 不错阿
即使是 research，training 的速度还是很重要的，应该说非常重要
不然 google 干麻花这么多夫下去作平行化？
这边要澄清一件事，作 deep learning 你的资料量一定要大
资料量不大的话，你用 deep learning 其实意义不大
传统的 svm/boosting/random-forrest 参数对了不见得比较差
你要真的做出一些显著差异，资料量一定要大，但资料量一大，速度就很重要
caffe 如果真要说有什么缺点，不是他为了快牺牲可用性，而是他还不够快
他以前只能单机器单张 GPU，后来可以单机器多 GPU，但现在还是无法多机器
如果能用日前刚 open source 的 TensorFlow 的话，完全推荐你用 TensorFlow
原因如下：
一、效能
如果你有多机器
虽然目前 open 出来的 TensorFlow 只有单机版本，但跨机器的版本很快会释出
TensorFlow 会自动根据 model 跟 training data 进行跨机器平行化
如果你有一台以上的机器，在 training time 上面，TensorFlow 这会是你的首选
如果你只有单机器
如果你只有一台机器，你可能会看到有些 benchmark
说 TensorFlow 比其他 library 慢，没错，这是真的，不过这是有原因的
因为当初 google 开发 TensorFlow 的时候，用的是自己的 compiler
他们没想到外面大家用的 compiler 竟然没作某些最佳化 = =||
跟他们家里面的比起来竟然差这么多，他们也很讶异
他们正在想办法改善这点，预计应该是会跟 caffe 差不了太远
二、简单好写
TensorFlow 的 model 比 caffe 用的 protobuf 好写很多
而且你设计新的 layer 不用自己推导 back-propagation 的方程式微分
他会自动帮你推导，省事很多
三、可移植性
未来 Google 的 Machine Learning As A Service 极有可能可以直接吃 TensorFlow
你的 model 都不用改，丢上云端就可以直接享受多机器平行 train 了
但如果你用的是 caffe，你可能还得写程式把那个 protobuf 转成 TensorFlow
大概降。
不过如果你还是坚持想用 caffe，还是可以问。
会的我就尽量回答 ＠＠ 我不会的我会去找人帮看 XD
话说台湾现在有哪些单位在作 deep learning 阿？
大家能不能签到一下阿 QQ?