Caffe2 - Instalação

Agora que você tem informações suficientes sobre os recursos do Caffe2, é hora de experimentar o Caffe2 por conta própria. Para usar os modelos pré-treinados ou para desenvolver seus modelos em seu próprio código Python, você deve primeiro instalar o Caffe2 em sua máquina.

Na página de instalação do site Caffe2 que está disponível no link https://caffe2.ai/docs/getting-started.html você veria o seguinte para selecionar sua plataforma e tipo de instalação.

Como você pode ver na imagem acima, Caffe2 suporta várias plataformas populares, incluindo as móveis.

Agora, vamos entender as etapas para MacOS installation no qual todos os projetos neste tutorial são testados.

Instalação MacOS

A instalação pode ser de quatro tipos, conforme indicado abaixo -

Binários pré-construídos
Construir a partir da fonte
Imagens Docker
Cloud

Dependendo de sua preferência, selecione qualquer uma das opções acima como seu tipo de instalação. As instruções fornecidas aqui são de acordo com o local de instalação do Caffe2 parapre-built binaries. Ele usa o Anaconda paraJupyter environment. Execute o seguinte comando no prompt do console

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

Além do acima, você precisará de algumas bibliotecas de terceiros, que são instaladas usando os seguintes comandos -

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

Alguns dos tutoriais no site Caffe2 também exigem a instalação de zeromq, que é instalado usando o seguinte comando -

conda install -c anaconda zeromq

Instalação Windows / Linux

Execute o seguinte comando no prompt do console -

conda install -c pytorch pytorch-nightly-cpu

Como você deve ter notado, você precisaria do Anaconda para usar a instalação acima. Você precisará instalar os pacotes adicionais conforme especificado noMacOS installation.

Instalação de teste

Para testar sua instalação, um pequeno script Python é fornecido abaixo, que você pode cortar e colar em seu projeto Juypter e executar.

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)

Ao executar o código acima, você verá a seguinte saída -

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]]

A captura de tela da página de teste de instalação é mostrada aqui para sua referência rápida -

Agora que você instalou o Caffe2 em sua máquina, prossiga para instalar os aplicativos do tutorial.

Instalação Tutorial

Baixe a fonte dos tutoriais usando o seguinte comando em seu console -

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

Depois que o download for concluído, você encontrará vários projetos Python no caffe2_tutorialspasta em seu diretório de instalação. A captura de tela desta pasta é fornecida para sua leitura rápida.

/Users/yourusername/caffe2_tutorials

Você pode abrir alguns desses tutoriais para ver o que Caffe2 codeparece. Os próximos dois projetos descritos neste tutorial são amplamente baseados nos exemplos mostrados acima.

Agora é hora de fazermos nossa própria codificação Python. Vamos entender, como usar um modelo pré-treinado do Caffe2. Posteriormente, você aprenderá a criar sua própria rede neural trivial para treinamento em seu próprio conjunto de dados.