Caffe2 - Instalasi

Sekarang, setelah Anda mendapatkan cukup wawasan tentang kapabilitas Caffe2, sekarang saatnya untuk bereksperimen sendiri dengan Caffe2. Untuk menggunakan model yang telah dilatih sebelumnya atau untuk mengembangkan model Anda dalam kode Python Anda sendiri, Anda harus menginstal Caffe2 di komputer Anda terlebih dahulu.

Di halaman instalasi situs Caffe2 yang tersedia di link https://caffe2.ai/docs/getting-started.html Anda akan melihat yang berikut ini untuk memilih platform Anda dan jenis pemasangan.

Seperti yang Anda lihat pada gambar di atas, Caffe2 mendukung beberapa platform populer termasuk yang seluler.

Sekarang, kita akan memahami langkah-langkahnya MacOS installation di mana semua proyek dalam tutorial ini diuji.

Instalasi MacOS

Instalasi dapat terdiri dari empat jenis seperti yang diberikan di bawah ini -

Binari yang Dibangun Sebelumnya
Bangun Dari Sumber
Gambar Docker
Cloud

Tergantung pada preferensi Anda, pilih salah satu di atas sebagai jenis instalasi Anda. Instruksi yang diberikan di sini sesuai dengan situs instalasi Caffe2 untukpre-built binaries. Ini menggunakan Anaconda untukJupyter environment. Jalankan perintah berikut pada prompt konsol Anda

pip install torch_nightly -f 
https://download.pytorch.org/whl/nightly/cpu/torch_nightly.html

Selain yang di atas, Anda memerlukan beberapa pustaka pihak ketiga, yang diinstal menggunakan perintah berikut -

conda install -c anaconda setuptools
conda install -c conda-forge graphviz  
conda install -c conda-forge hypothesis
conda install -c conda-forge ipython
conda install -c conda-forge jupyter
conda install -c conda-forge matplotlib
conda install -c anaconda notebook
conda install -c anaconda pydot
conda install -c conda-forge python-nvd3
conda install -c anaconda pyyaml
conda install -c anaconda requests
conda install -c anaconda scikit-image
conda install -c anaconda scipy

Beberapa tutorial di situs web Caffe2 juga memerlukan penginstalan zeromq, yang diinstal menggunakan perintah berikut -

conda install -c anaconda zeromq

Instalasi Windows / Linux

Jalankan perintah berikut pada prompt konsol Anda -

conda install -c pytorch pytorch-nightly-cpu

Seperti yang Anda ketahui, Anda membutuhkan Anaconda untuk menggunakan instalasi di atas. Anda perlu menginstal paket tambahan seperti yang ditentukan diMacOS installation.

Menguji Instalasi

Untuk menguji instalasi Anda, skrip Python kecil diberikan di bawah ini, yang dapat Anda potong dan tempel di proyek Juypter Anda dan jalankan.

from caffe2.python import workspace
import numpy as np
print ("Creating random data")
data = np.random.rand(3, 2)
print(data)
print ("Adding data to workspace ...")
workspace.FeedBlob("mydata", data)
print ("Retrieving data from workspace")
mydata = workspace.FetchBlob("mydata")
print(mydata)

Ketika Anda menjalankan kode di atas, Anda akan melihat output berikut -

Creating random data
[[0.06152718 0.86448082]
[0.36409966 0.52786113]
[0.65780886 0.67101053]]
Adding data to workspace ...
Retrieving data from workspace
[[0.06152718 0.86448082]
[0.36409966 0.52786113]
[0.65780886 0.67101053]]

Tangkapan layar dari halaman uji penginstalan ditampilkan di sini untuk referensi cepat Anda -

Sekarang, setelah Anda menginstal Caffe2 di komputer Anda, lanjutkan untuk menginstal aplikasi tutorial.

Instalasi Tutorial

Unduh sumber tutorial menggunakan perintah berikut di konsol Anda -

git clone --recursive https://github.com/caffe2/tutorials caffe2_tutorials

Setelah pengunduhan selesai, Anda akan menemukan beberapa proyek Python di file caffe2_tutorialsfolder di direktori instalasi Anda. Tangkapan layar dari folder ini diberikan untuk pembacaan cepat Anda.

/Users/yourusername/caffe2_tutorials

Anda bisa membuka beberapa tutorial ini untuk melihat apa itu Caffe2 codeseperti. Dua proyek berikutnya yang dijelaskan dalam tutorial ini sebagian besar didasarkan pada contoh yang ditunjukkan di atas.

Sekarang saatnya untuk melakukan pengkodean Python kita sendiri. Mari kita pahami, cara menggunakan model terlatih dari Caffe2. Nanti, Anda akan belajar membuat jaringan neural trivial Anda sendiri untuk melatih kumpulan data Anda sendiri.