Caffe2 - Обзор

Теперь, когда вы получили некоторое представление о глубоком обучении, давайте рассмотрим, что такое Caffe.

Обучение CNN

Давайте изучим процесс обучения CNN классификации изображений. Процесс состоит из следующих шагов -

Data Preparation- На этом этапе мы обрезаем изображения по центру и изменяем их размер, чтобы все изображения для обучения и тестирования были одинакового размера. Обычно это делается путем запуска небольшого скрипта Python для данных изображения.
Model Definition- На этом этапе мы определяем архитектуру CNN. Конфигурация хранится в.pb (protobuf)файл. Типичная архитектура CNN показана на рисунке ниже.
Solver Definition- Определяем файл конфигурации решателя. Решатель выполняет оптимизацию модели.
Model Training- Для обучения модели используем встроенную утилиту Caffe. Обучение может занять много времени и ресурсов ЦП. После завершения обучения Caffe сохраняет модель в файле, который впоследствии можно использовать для тестовых данных и окончательного развертывания для прогнозов.

Что нового в Caffe2

В Caffe2 вы найдете множество готовых к использованию предварительно обученных моделей, а также довольно часто используете вклад сообщества в виде новых моделей и алгоритмов. Создаваемые вами модели можно легко масштабировать, используя возможности графического процессора в облаке, а также можно использовать массовые мобильные устройства с помощью кроссплатформенных библиотек.

Улучшения, сделанные в Caffe2 по сравнению с Caffe, можно резюмировать следующим образом:

Мобильное развертывание
Поддержка нового оборудования
Поддержка масштабного распределенного обучения
Квантованное вычисление
Стресс-тест на Facebook

Демонстрация предварительно обученной модели

На сайте Berkeley Vision and Learning Center (BVLC) представлены демонстрации их предварительно обученных сетей. Одна такая сеть для классификации изображений доступна по указанной здесь ссылке.https://caffe2.ai/docs/learn-more#null__caffe-neural-network-for-image-classification и изображен на скриншоте ниже.

На скриншоте изображение собаки классифицировано и помечено с учетом точности прогноза. Также сказано, что потребовалось всего0.068 secondsклассифицировать изображение. Вы можете попробовать изображение по вашему выбору, указав URL-адрес изображения или загрузив само изображение в параметрах, указанных в нижней части экрана.