Caffe2 - przegląd
Teraz, kiedy masz już wgląd w głębokie uczenie się, przyjrzyjmy się, czym jest Caffe.
Szkolenie CNN
Poznajmy proces szkolenia CNN w zakresie klasyfikowania obrazów. Proces składa się z następujących kroków -
Data Preparation- Na tym etapie wyśrodkowujemy obrazy i zmieniamy ich rozmiar, aby wszystkie obrazy do szkolenia i testowania miały ten sam rozmiar. Odbywa się to zwykle przez uruchomienie małego skryptu w Pythonie na danych obrazu.
Model Definition- Na tym etapie definiujemy architekturę CNN. Konfiguracja jest przechowywana w.pb (protobuf)plik. Typową architekturę CNN przedstawiono na poniższym rysunku.
Solver Definition- Definiujemy plik konfiguracyjny solvera. Solver przeprowadza optymalizację modelu.
Model Training- Używamy wbudowanego narzędzia Caffe do trenowania modelu. Szkolenie może zająć dużo czasu i zużycie procesora. Po zakończeniu szkolenia Caffe przechowuje model w pliku, którego można później użyć na danych testowych i ostatecznym wdrożeniu na potrzeby prognoz.
Co nowego w Caffe2
W Caffe2 można znaleźć wiele gotowych do użycia wstępnie wytrenowanych modeli, a także dość często korzystać z wkładu społeczności w nowe modele i algorytmy. Modele, które tworzysz, można łatwo skalować w górę, korzystając z mocy GPU w chmurze, a także można je sprowadzić do użycia mas na urządzeniach mobilnych dzięki bibliotekom wieloplatformowym.
Ulepszenia wprowadzone w Caffe2 w porównaniu z Caffe można podsumować w następujący sposób -
- Wdrożenie mobilne
- Nowa obsługa sprzętu
- Wsparcie dla rozproszonych szkoleń na dużą skalę
- Obliczenia kwantowe
- Test stresu na Facebooku
Wstępnie wytrenowany model demonstracyjny
Witryna Berkeley Vision and Learning Center (BVLC) zawiera prezentacje ich wstępnie przeszkolonych sieci. Jedna taka sieć klasyfikacji obrazów jest dostępna pod podanym tutaj linkiemhttps://caffe2.ai/docs/learn-more#null__caffe-neural-network-for-image-classification i jest przedstawione na poniższym zrzucie ekranu.
Na zrzucie ekranu wizerunek psa jest klasyfikowany i oznaczany zgodnie z dokładnością przewidywania. Mówi też, że wystarczyło0.068 secondsdo klasyfikacji obrazu. Możesz wypróbować wybrany przez siebie obraz, podając adres URL obrazu lub przesyłając sam obraz w opcjach podanych na dole ekranu.