在Caffe框架中常用的優化算法包括：
隨機梯度下降（Stochastic Gradient Descent，SGD）：是常用的優化算法之一，通過計算訓練數據的梯度來更新模型參數。
動量（Momentum）：在SGD的基礎上引入了動量項，可以加快收斂速度并減少震蕩。
自適應學習率算法（Adaptive Learning Rate Algorithms）：包括Adagrad、RMSprop、AdaDelta和Adam等算法，通過動態調整學習率來提高訓練效果。
Nesterov加速梯度（Nesterov Accelerated Gradient，NAG）：在SGD的基礎上引入了Nesterov動量，可以更快地收斂到局部最優解。
AdaMax：是Adam的變種，具有更好的收斂性能。
RMSprop：通過對梯度的平方進行指數加權平均來自適應地調整學習率。
Adam：結合了動量和自適應學習率的優點，是一種非常有效的優化算法。
AdaDelta：類似于RMSprop，但使用了動態調整學習率的方法。
總的來說，Caffe框架支持多種優化算法，用戶可以根據自己的需求和實驗結果選擇合適的優化算法進行模型訓練。
