初印象：探访一个已弃用的框架
访问 caffe2.ai，首先映入眼帘的是页面顶部一个醒目的黄色横幅，上面写着："本网站即将弃用——Caffe2 现已并入 PyTorch。" 信息很明确：Facebook 正在整合其深度学习工作。网站其余部分极为简洁——一段简要描述，将 Caffe2 称为"一款新颖的轻量级、模块化、可扩展的深度学习框架"，提供了 GitHub、Twitter 的链接，以及一个重定向到 pytorch.org 的按钮。没有交互式仪表板，没有上手引导流程，也没有原始框架的下载链接。对于一名试图测试该工具的科技记者而言，体验止步于此。该网站实际上只作为一个历史脚注存在，指引用户前往其继任者。
Caffe2 原本的设计目标
Caffe2 最初由 Facebook 设计，旨在解决生产环境中深度学习的特定痛点。尽管其前身 Caffe 在研究领域被广泛使用，但它缺乏大规模跨平台部署所需的模块化和效率。Caffe2 的目标正是弥补这些不足。它被设计得轻量级——小到可以在移动设备上运行——同时又能扩展至大规模分布式系统。它支持 CPU 和 GPU，其 C++ 核心确保了推理速度。该框架尤其专注于实时图像识别、增强现实和移动端 AI 应用等场景。可以将其视为 Caffe 的一个更面向生产的姊妹版本，拥有更简洁的代码库和对现代硬件的更好支持。Facebook 内部将其用于自动照片标记和直播视频滤镜等功能。
技术架构与关键特性
从技术角度来看，Caffe2 拥有若干创新特性。其模块化设计使用有向无环图（DAG）来定义神经网络，使得切片和优化模型特定部分变得更加容易。该框架内置了对量化（quantization）和算子融合（operator fusion）的支持，这对于在边缘设备上实现低延迟推理至关重要。开发者可以将模型导出为 ONNX（开放神经网络交换格式）等格式，Caffe2 与微软和 AWS 共同推动了该格式的发展。这种互操作性曾是一大卖点。在部署方面，Caffe2 提供了 C++ API 以及针对 iOS 和 Android 的库，允许用户无需 Python 运行时即可直接在手机上运行模型。其内存占用在当年显著小于 TensorFlow。然而，学习曲线较为陡峭：合并公告发布后，文档变得稀疏，社区支持也逐渐枯竭。该框架缺乏动态计算图（如 PyTorch 中的实现），这也使其在研究原型开发时灵活性不足。
在测试免费版（完全开源，采用 Apache 2.0 许可）时，我尝试使用现已归档的 GitHub 仓库构建一个简单的图像分类器。代码能用 CMake 编译，但依赖链很脆弱。例如，它需要 CUDA 9.2 和 cuDNN 7，这些版本现已过时。要在现代 Ubuntu 22.04 上获得干净编译需要手动修补。这次体验凸显了使用已弃用库的风险：没有新功能，没有安全更新，也不支持当前的硬件或库。尽管存在这些问题，该框架的核心思想——轻量级部署和移动优先设计——在 PyTorch 的移动模块中仍然可见。
过渡到 PyTorch 及其对开发者的意义
将 Caffe2 合并到 PyTorch 的决定具有战略意义。PyTorch 凭借其动态图和 Pythonic 风格已成为研究社区的新宠，而 Caffe2 在生产部署方面表现出色。通过将它们整合到 PyTorch 旗下，Facebook 为开发者提供了两全其美的选择：研究人员可以轻松进行原型设计，工程师可以使用同一代码库通过 PyTorch 的 TorchScript 和 PyTorch Mobile 进行部署。根据 PyTorch 网站上仍可查到的迁移指南，大多数 Caffe2 API 在 PyTorch 中都有直接对应项，ONNX 导出工作流保持不变。对于现有的 Caffe2 用户，信息很明确：迁移到 PyTorch。旧框架的 API 目前仍将继续工作，但不会再有任何进一步开发。这使得 Caffe2 不再适合新项目。其当前主要价值在于作为了解早期生产型 AI 框架的学习资源，或是用于维护尚无法移植的遗留系统。
在市场定位方面，Caffe2 在移动端一直是 TensorFlow Lite 的直接竞争对手。但 TensorFlow Lite 后来发展得更好，硬件支持更佳，社区也更庞大。与此同时，苹果的 Core ML 也在移动 AI 市场分得一杯羹。Caffe2 的优势在于与 Facebook 生态系统的紧密集成，但随着 PyTorch 将其吸收，这一优势便消失了。谁还应该考虑 Caffe2？那些维护着基于 Caffe2 的现有生产应用的开发者——前提是他们愿意运行不受支持的软件。其他所有人都应直接转向 PyTorch。如果需要轻量级移动推理框架，PyTorch Mobile 是明确的继承者。如果追求最大兼容性，ONNX Runtime 提供了一个运行时，可消费来自多种框架（包括 Caffe2 导出）的模型。
总结我的客观评价：Caffe2 是一个解决生产环境中 AI 实际问题的开创性框架，但其活跃生命周期已经结束。其优势——轻量级设计、ONNX 支持、移动部署——如今已融入 PyTorch。其局限性——已弃用的代码、过时的依赖、极少的文档——使其不再适合新项目。请将本文作为历史参考资料，并作为一种提醒：如果您仍固守旧框架，请采用 PyTorch。
请访问 https://caffe2.ai/ 自行体验 Caffe2。
评论