Caffe2 简明教程

Caffe2 - Overview

现在，当对深度学习有所了解，我们来了解一下 Caffe 是什么。

Training a CNN

让我们学习训练 CNN 以对图像进行分类的过程。此过程包括以下步骤：

  1. Data Preparation - 在此步骤中，我们将图像居中裁剪并调整大小，以便训练和测试的所有图像大小相同。此操作通常是通过在图像数据上运行一个小小的 Python 脚本进行的。

  2. Model Definition - 在此步骤中，我们定义了 CNN 架构。配置存储在 .pb (protobuf) 文件中。下图显示了典型的 CNN 架构。

  3. Solver Definition - 我们定义求解器配置文件。求解器进行模型优化。

  4. Model Training - 我们使用内置的 Caffe 实用工具来训练模型。训练可能需要大量时间和 CPU 使用率。训练完成后，Caffe 将模型存储在一个文件中，以后可以在测试数据和最终部署中使用它来进行预测。

training cnn

What’s New in Caffe2

在 Caffe2 中，你会发现许多即用型预训练模型，还可以经常利用社区对新模型和算法的贡献。你创建的模型可以使用云中的 GPU 功能轻松扩展，还可以通过其跨平台库应用到大规模移动设备上。

Caffe2 相对于 Caffe 所做的改进可以总结如下：

  1. Mobile deployment

  2. New hardware support

  3. 支持大规模分布式训练

  4. Quantized computation

  5. Stress tested on Facebook

Pretrained Model Demo

Berkeley Vision and Learning Center（BVLC）网站提供了预训练网络的演示。可以通过此链接在图片分类中找到一个这样的网络 https://caffe2.ai/docs/learn-more#null_caffe-neural-network-for-image-classification ，并且如下图所示。

pretrained model

在截图中，一张狗的图像被分类并标上了其预测准确度。它还表示对图像分类仅用时 0.068 seconds 。你可以通过指定图像 URL 或在屏幕底部的选项中上传图像本身来尝试一张你自己的选择图像。