在Caffe框架中常用的优化算法包括：
随机梯度下降（Stochastic Gradient Descent，SGD）：是常用的优化算法之一，通过计算训练数据的梯度来更新模型参数。
动量（Momentum）：在SGD的基础上引入了动量项，可以加快收敛速度并减少震荡。
自适应学习率算法（Adaptive Learning Rate Algorithms）：包括Adagrad、RMSprop、AdaDelta和Adam等算法，通过动态调整学习率来提高训练效果。
Nesterov加速梯度（Nesterov Accelerated Gradient，NAG）：在SGD的基础上引入了Nesterov动量，可以更快地收敛到局部最优解。
AdaMax：是Adam的变种，具有更好的收敛性能。
RMSprop：通过对梯度的平方进行指数加权平均来自适应地调整学习率。
Adam：结合了动量和自适应学习率的优点，是一种非常有效的优化算法。
AdaDelta：类似于RMSprop，但使用了动态调整学习率的方法。
总的来说，Caffe框架支持多种优化算法，用户可以根据自己的需求和实验结果选择合适的优化算法进行模型训练。
