कैफ 2 - परिचय

पिछले कुछ वर्षों में, डीप लर्निंग मशीन लर्निंग में एक बड़ा चलन बन गया है। इसमें पहले से मौजूद समस्याओं को हल करने के लिए इसे सफलतापूर्वक लागू किया गया है Vision, Speech Recognition and Natural Language Processing(NLP)। कई और डोमेन हैं जिनमें डीप लर्निंग लागू किया जा रहा है और इसकी उपयोगिता दर्शाई गई है।

Caffe (Convolutional Architecture for Fast Feature Embedding) एक गहन शिक्षण ढांचा विकसित किया गया है Berkeley Vision and Learning Center (BVLC)। कैफ़े प्रोजेक्ट यांगकिंग जिया ने अपने पीएचडी के दौरान बनाया था। कैलिफोर्निया विश्वविद्यालय में - बर्कले। कैफ गहरी सीखने के साथ प्रयोग करने का एक आसान तरीका प्रदान करता है। यह C ++ में लिखा गया है और इसके लिए बाइंडिंग प्रदान करता हैPython तथा Matlab।

यह कई अलग-अलग प्रकार के गहरे शिक्षण आर्किटेक्चर का समर्थन करता है जैसे कि CNN (संवादी तंत्रिका नेटवर्क), LSTM(लॉन्ग शॉर्ट टर्म मेमोरी) और FC (फुली कनेक्टेड)। यह GPU का समर्थन करता है और इस प्रकार, गहरे तंत्रिका नेटवर्क वाले उत्पादन वातावरण के लिए आदर्श रूप से अनुकूल है। यह सीपीयू-आधारित कर्नेल लाइब्रेरी का भी समर्थन करता हैNVIDIA, CUDA डीप न्यूरल नेटवर्क लाइब्रेरी (cuDNN) और इंटेल मठ कर्नेल लाइब्रेरी (Intel MKL)।

अप्रैल 2017 में, यूएस आधारित सोशल नेटवर्किंग सेवा कंपनी फेसबुक ने Caffe2 की घोषणा की, जिसमें अब RNN (आवर्तक तंत्रिका नेटवर्क) शामिल है और मार्च 2018 में, Caffe2 को PyTorch में विलय कर दिया गया। Caffe2 के रचनाकारों और समुदाय के सदस्यों ने विभिन्न समस्याओं के समाधान के लिए मॉडल बनाए हैं। ये मॉडल जनता के लिए पूर्व-प्रशिक्षित मॉडल के रूप में उपलब्ध हैं। Caffe2 इन मॉडलों का उपयोग करने और डेटासेट पर भविष्यवाणियां करने के लिए अपना नेटवर्क बनाने में रचनाकारों की मदद करता है।

इससे पहले कि हम Caffe2 के विवरण में जाएं, हमें अंतर के बारे में समझें machine learning तथा deep learning। यह समझना आवश्यक है कि कैफ 2 में मॉडल कैसे बनाए और उपयोग किए जाते हैं।

मशीन लर्निंग v / s डीप लर्निंग

किसी भी मशीन लर्निंग एल्गोरिदम में, यह एक पारंपरिक एक या एक गहरी सीखने वाला हो, डाटासेट में सुविधाओं का चयन वांछित भविष्यवाणी सटीकता प्राप्त करने में एक अत्यंत महत्वपूर्ण भूमिका निभाता है। पारंपरिक मशीन सीखने की तकनीक में,feature selectionज्यादातर मानव निरीक्षण, निर्णय और गहरे डोमेन ज्ञान द्वारा किया जाता है। कभी-कभी, आप सुविधा चयन के लिए कुछ परीक्षण किए गए एल्गोरिदम की मदद ले सकते हैं।

पारंपरिक मशीन सीखने के प्रवाह को नीचे दिए गए चित्र में दर्शाया गया है -

गहरी शिक्षा में, सुविधा का चयन स्वचालित है और यह स्वयं गहन शिक्षण एल्गोरिथ्म का एक हिस्सा है। यह नीचे दिए गए चित्र में दिखाया गया है -

गहन शिक्षण एल्गोरिदम में, feature engineeringस्वचालित रूप से किया जाता है। आम तौर पर, सुविधा इंजीनियरिंग समय लेने वाली होती है और इसके लिए डोमेन में एक अच्छी विशेषज्ञता की आवश्यकता होती है। स्वचालित सुविधा निष्कर्षण को लागू करने के लिए, गहन शिक्षण एल्गोरिदम आमतौर पर बड़ी मात्रा में डेटा मांगते हैं, इसलिए यदि आपके पास केवल हजारों और दसियों हजार डेटा बिंदु हैं, तो गहन शिक्षण तकनीक आपको संतोषजनक परिणाम देने में विफल हो सकती है।

बड़े डेटा के साथ, डीप लर्निंग एल्गोरिदम पारंपरिक एमएल एल्गोरिदम की तुलना में बेहतर परिणाम देते हैं, जिसमें कम या कोई फीचर इंजीनियरिंग का अतिरिक्त लाभ नहीं होता है।