Caffe2 - Visão geral

Agora, como você tem alguns insights sobre aprendizado profundo, vamos ter uma visão geral do que é o Caffe.

Treinando uma CNN

Vamos aprender o processo de treinamento de uma CNN para classificação de imagens. O processo consiste nas seguintes etapas -

  • Data Preparation- Nesta etapa, recortamos as imagens no centro e as redimensionamos para que todas as imagens para treinamento e teste tenham o mesmo tamanho. Isso geralmente é feito executando um pequeno script Python nos dados da imagem.

  • Model Definition- Nesta etapa, definimos uma arquitetura CNN. A configuração é armazenada em.pb (protobuf)Arquivo. Uma arquitetura típica de CNN é mostrada na figura abaixo.

  • Solver Definition- Definimos o arquivo de configuração do solver. O Solver faz a otimização do modelo.

  • Model Training- Usamos o utilitário Caffe embutido para treinar o modelo. O treinamento pode levar uma quantidade considerável de tempo e uso da CPU. Após a conclusão do treinamento, o Caffe armazena o modelo em um arquivo, que pode ser usado posteriormente em dados de teste e implantação final para previsões.

O que há de novo no Caffe2

No Caffe2, você encontrará muitos modelos pré-treinados prontos para uso e também aproveitará as contribuições da comunidade de novos modelos e algoritmos com bastante frequência. Os modelos que você cria podem escalar facilmente usando o poder da GPU na nuvem e também podem ser reduzidos ao uso de massas no celular com suas bibliotecas de plataforma cruzada.

As melhorias feitas no Caffe2 em relação ao Caffe podem ser resumidas da seguinte forma -

  • Implantação móvel
  • Novo suporte de hardware
  • Suporte para treinamento distribuído em larga escala
  • Computação quantizada
  • Stress testado no Facebook

Demonstração de modelo pré-treinado

O site do Berkeley Vision and Learning Center (BVLC) fornece demonstrações de suas redes pré-treinadas. Uma rede para classificação de imagens está disponível no link aqui indicadohttps://caffe2.ai/docs/learn-more#null__caffe-neural-network-for-image-classification e é retratado na imagem abaixo.

Na captura de tela, a imagem de um cachorro é classificada e rotulada com sua precisão de previsão. Também diz que demorou apenas0.068 secondspara classificar a imagem. Você pode tentar uma imagem de sua escolha especificando o URL da imagem ou enviando a própria imagem nas opções fornecidas na parte inferior da tela.