Caffe2 - Giriş
Son birkaç yılda Derin Öğrenme, Makine Öğreniminde büyük bir trend haline geldi. Daha önce çözülemeyen sorunları çözmek için başarıyla uygulandı. Vision, Speech Recognition and Natural Language Processing(NLP). Derin Öğrenmenin uygulandığı ve yararlılığını gösterdiği daha birçok alan vardır.
Caffe (Convolutional Architecture for Fast Feature Embedding) bir derin öğrenme çerçevesidir. Berkeley Vision and Learning Center (BVLC). Caffe projesi, Yangqing Jia tarafından doktorası sırasında oluşturuldu. California Üniversitesi - Berkeley. Caffe, derin öğrenmeyi denemenin kolay bir yolunu sunar. C ++ ile yazılmıştır vePython ve Matlab.
Birçok farklı derin öğrenme mimarisi türünü destekler. CNN (Evrişimli Sinir Ağı), LSTM(Uzun Kısa Süreli Bellek) ve FC (Tam Bağlı). GPU'yu destekler ve bu nedenle, derin sinir ağları içeren üretim ortamları için idealdir. Aynı zamanda CPU tabanlı çekirdek kitaplıklarını da destekler.NVIDIA, CUDA Derin Sinir Ağı kütüphanesi (cuDNN) ve Intel Math Kernel Kitaplığı (Intel MKL).
Nisan 2017'de, ABD merkezli sosyal ağ hizmeti şirketi Facebook, artık RNN'yi (Tekrarlayan Sinir Ağları) içeren Caffe2'yi duyurdu ve Mart 2018'de Caffe2, PyTorch ile birleştirildi. Caffe2 yaratıcıları ve topluluk üyeleri, çeşitli sorunları çözmek için modeller oluşturdu. Bu modeller, önceden eğitilmiş modeller olarak halka açıktır. Caffe2, yaratıcıların bu modelleri kullanmalarına ve veri kümesi üzerinde tahminler yapmak için kendi ağını oluşturmalarına yardımcı olur.
Caffe2'nin ayrıntılarına girmeden önce, aradaki farkı anlayalım. machine learning ve deep learning. Bu, Caffe2'de modellerin nasıl oluşturulduğunu ve kullanıldığını anlamak için gereklidir.
Makine Öğrenimi v / s Derin Öğrenme
Herhangi bir makine öğrenimi algoritmasında, ister geleneksel ister derin öğrenme olsun, veri kümesindeki özelliklerin seçimi, istenen tahmin doğruluğunu elde etmede son derece önemli bir rol oynar. Geleneksel makine öğrenimi tekniklerinde,feature selectionçoğunlukla insan teftişi, muhakeme ve derin alan bilgisi ile yapılır. Bazen, özellik seçimi için test edilmiş birkaç algoritmadan yardım isteyebilirsiniz.
Geleneksel makine öğrenimi akışı aşağıdaki şekilde gösterilmektedir -
Derin öğrenmede, özellik seçimi otomatiktir ve derin öğrenme algoritmasının kendisinin bir parçasıdır. Bu, aşağıdaki şekilde gösterilmektedir -
Derin öğrenme algoritmalarında, feature engineeringotomatik olarak yapılır. Genel olarak, özellik mühendisliği zaman alıcıdır ve alanda iyi bir uzmanlık gerektirir. Otomatik özellik çıkarımını uygulamak için, derin öğrenme algoritmaları genellikle büyük miktarda veri ister, bu nedenle yalnızca binlerce ve on binlerce veri noktasına sahipseniz, derin öğrenme tekniği size tatmin edici sonuçlar vermeyebilir.
Daha büyük verilerle, derin öğrenme algoritmaları geleneksel makine öğrenimi algoritmalarına kıyasla daha az özellik mühendisliği avantajıyla veya hiç özellik mühendisliği olmadan daha iyi sonuçlar üretir.