选自NvidiaBlog作者：AaronMarkham、贾扬清机器之心编译
昨天，Facebook推出了Caffe2，一个兼具表现力、速度和模块性的开源深度学习框架。它沿袭了大量的Caffe设计，可解决多年来在Caffe的使用和部署之中发现的瓶颈问题。最终，Caffe2打开了算法实验和新产品的大门。通过在内部用于各种深度学习和增强现实任务，Caffe2已经在Facebook对于规模和性能的需求上得到了锻造。同时，它为移动端应用提供了令人印象深刻的新功能，例如高级相机和即时通讯功能。英伟达作为Caffe2的开发合作者，计划对Caffe2的深度学习应用推出一系列博客文章。本文即是该系列博文的第一篇，将介绍Caffe2的深度学习基础知识，证明其灵活性和速度；本文还将介绍为什么你想要使用Caffe2、是什么使Caffe2区别于Caffe，最后还会通过一个预训练的目标分类模型给出一个Caffe2使用案例。
一次编码，任意运行
在保有扩展性和高性能的同时，Caffe2也强调了便携性。「便携性」通常使人想起overhead——它如何在诸多不同的平台上工作？overhead如何影响扩展的能力？Caffe2当然已把这些考虑在内，其从一开始就以性能、扩展、移动端部署作为主要设计目标。Caffe2的核心C++库能提供速度和便携性，而其Python和C++API使你可以轻松地在Linux、Windows、iOS、Android甚至RaspberryPi和NVIDIATegra上进行原型设计、训练和部署。也许你会问：物联网呢？Caffe2将适用于大量设备。尽管你并不想在物联网设备上训练网络，但你可以在其上面部署训练好的模型。
当GPU可用时，Caffe2也不会错失这个良机。在Facebook和英伟达的合作下，Caffe2已经可以充分利用英伟达GPU深度学习平台。Caffe2可使用最新的英伟达深度学习SDK库——cuDNN、cuBLAS和NCCL——来实现高性能、多GPU加速训练和推理。
绝大多数内置函数都可根据运行状态在CPU模式和GPU模式之间无缝切换。这意味着无需额外编程即可享用深度学习超级加速的便利。这引出了Caffe2激动人心的另一个方面：多GPU和多主机处理。Caffe2使并行化网络训练变得简单，现在实验和扩展对你而言也非常简单。
最近的ImageNet训练基准使用了64块最新的英伟达GPU和ResNet-50神经网络架构。Facebook工程师实现的Caffe2的data_parallel_model（