Caffe2 - Übersicht

Nachdem Sie einige Einblicke in das tiefe Lernen erhalten haben, lassen Sie uns einen Überblick über Caffe geben.

Ein CNN trainieren

Lassen Sie uns den Prozess zum Trainieren eines CNN zum Klassifizieren von Bildern lernen. Der Prozess besteht aus den folgenden Schritten:

Data Preparation- In diesem Schritt beschneiden wir die Bilder in der Mitte und ändern ihre Größe so, dass alle Bilder für Training und Test dieselbe Größe haben. Dies erfolgt normalerweise durch Ausführen eines kleinen Python-Skripts für die Bilddaten.
Model Definition- In diesem Schritt definieren wir eine CNN-Architektur. Die Konfiguration wird in gespeichert.pb (protobuf)Datei. Eine typische CNN-Architektur ist in der folgenden Abbildung dargestellt.
Solver Definition- Wir definieren die Solver-Konfigurationsdatei. Solver führt die Modelloptimierung durch.
Model Training- Wir verwenden das integrierte Caffe-Dienstprogramm, um das Modell zu trainieren. Das Training kann viel Zeit und CPU-Auslastung in Anspruch nehmen. Nach Abschluss des Trainings speichert Caffe das Modell in einer Datei, die später für Testdaten und die endgültige Bereitstellung für Vorhersagen verwendet werden kann.

Was ist neu in Caffe2?

In Caffe2 finden Sie viele gebrauchsfertige vorgefertigte Modelle und nutzen häufig die Community-Beiträge neuer Modelle und Algorithmen. Die von Ihnen erstellten Modelle können mithilfe der GPU-Leistung in der Cloud problemlos skaliert werden und können mit ihren plattformübergreifenden Bibliotheken auch auf die Verwendung von Massen auf Mobilgeräten reduziert werden.

Die in Caffe2 gegenüber Caffe vorgenommenen Verbesserungen lassen sich wie folgt zusammenfassen:

Mobile Bereitstellung
Neue Hardware-Unterstützung
Unterstützung für verteilte Schulungen in großem Maßstab
Quantisierte Berechnung
Stresstest auf Facebook

Vorgefertigte Modelldemo

Die Website des Berkeley Vision and Learning Center (BVLC) bietet Demos ihrer vorab geschulten Netzwerke. Ein solches Netzwerk zur Bildklassifizierung ist unter dem hier angegebenen Link verfügbarhttps://caffe2.ai/docs/learn-more#null__caffe-neural-network-for-image-classification und ist im folgenden Screenshot dargestellt.

Im Screenshot wird das Bild eines Hundes klassifiziert und mit seiner Vorhersagegenauigkeit gekennzeichnet. Es heißt auch, dass es nur gedauert hat0.068 secondsum das Bild zu klassifizieren. Sie können ein Bild Ihrer Wahl ausprobieren, indem Sie die Bild-URL angeben oder das Bild selbst in den am unteren Bildschirmrand angegebenen Optionen hochladen.