Caffe2 - Ikhtisar

Sekarang, karena Anda telah mendapatkan beberapa wawasan tentang pembelajaran mendalam, mari kita lihat gambaran umum tentang apa itu Caffe.

Melatih CNN

Mari kita pelajari proses melatih CNN untuk mengklasifikasikan gambar. Prosesnya terdiri dari langkah-langkah berikut -

Data Preparation- Dalam langkah ini, kami memangkas gambar di tengah dan mengubah ukurannya sehingga semua gambar untuk pelatihan dan pengujian memiliki ukuran yang sama. Ini biasanya dilakukan dengan menjalankan skrip Python kecil pada data gambar.
Model Definition- Pada langkah ini, kami mendefinisikan arsitektur CNN. Konfigurasi disimpan di.pb (protobuf)mengajukan. Arsitektur CNN yang khas ditunjukkan pada gambar di bawah ini.
Solver Definition- Kami mendefinisikan file konfigurasi solver. Solver melakukan pengoptimalan model.
Model Training- Kami menggunakan utilitas Caffe bawaan untuk melatih model. Pelatihan mungkin memakan banyak waktu dan penggunaan CPU. Setelah pelatihan selesai, Caffe menyimpan model dalam file, yang nantinya dapat digunakan pada data pengujian dan penerapan akhir untuk prediksi.

Apa yang Baru di Caffe2

Di Caffe2, Anda akan menemukan banyak model terlatih yang siap digunakan dan juga cukup sering memanfaatkan kontribusi komunitas dari model dan algoritme baru. Model yang Anda buat dapat ditingkatkan dengan mudah menggunakan kekuatan GPU di cloud dan juga dapat digunakan secara massal di seluler dengan pustaka lintas platformnya.

Perbaikan yang dilakukan di Caffe2 atas Caffe dapat diringkas sebagai berikut -

Penerapan seluler
Dukungan perangkat keras baru
Dukungan untuk pelatihan terdistribusi skala besar
Perhitungan terkuantisasi
Stres diuji di Facebook

Demo Model Terlatih

Situs Berkeley Vision and Learning Center (BVLC) menyediakan demo jaringan terlatih mereka. Salah satu jaringan untuk klasifikasi citra tersebut tersedia di tautan yang disebutkan di sinihttps://caffe2.ai/docs/learn-more#null__caffe-neural-network-for-image-classification dan digambarkan pada gambar di bawah.

Pada tangkapan layar, gambar seekor anjing diklasifikasikan dan diberi label dengan akurasi prediksinya. Ia juga mengatakan bahwa itu hanya butuh0.068 secondsuntuk mengklasifikasikan gambar. Anda dapat mencoba gambar pilihan Anda sendiri dengan menentukan URL gambar atau mengunggah gambar itu sendiri dalam opsi yang diberikan di bagian bawah layar.