Caffe2-introduction
Caffe2-はじめに
ここ数年、ディープラーニングは機械学習の大きなトレンドになりました。 Vision、Speech Recognition、Natural Language Processing （NLP）でこれまで解決できなかった問題を解決するために適用されました。 ディープラーニングが適用されており、その有用性を示しているドメインはさらに多くあります。
Caffe（高速機能埋め込み用の畳み込みアーキテクチャ）は、 Berkeley Vision and Learning Center（BVLC）で開発された深層学習フレームワークです。 Caffeプロジェクトは、Ph.Dの間にYangqing Jiaによって作成されました。 カリフォルニア大学バークレー校。 Caffeは、ディープラーニングを試す簡単な方法を提供します。 C ++で記述されており、 *Python および Matlab のバインディングを提供します。
*CNN* （Convolutional Neural Network）、 *LSTM* （Long Short Term Memory）、FC（Fully Connected）など、さまざまなタイプの深層学習アーキテクチャをサポートしています。 GPUをサポートしているため、ディープニューラルネットワークを含む本番環境に最適です。 また、 *NVIDIA* 、CUDA Deep Neural Networkライブラリ*（cuDNN）*、Intel Math Kernel Library *（Intel MKL）*などのCPUベースのカーネルライブラリもサポートしています。
2017年4月、米国 ベースのソーシャルネットワーキングサービス会社Facebookは、現在RNN（Recurrent Neural Networks）を含むCaffe2を発表し、2018年3月にCaffe2はPyTorchに統合されました。 Caffe2の作成者とコミュニティメンバーは、さまざまな問題を解決するためのモデルを作成しました。 これらのモデルは、事前にトレーニングされたモデルとして公開されています。 Caffe2は、作成者がこれらのモデルを使用し、データセットを予測するための独自のネットワークを作成するのに役立ちます。
Caffe2の詳細に入る前に、*機械学習*と*深層学習*の違いを理解しましょう。 これは、Caffe2でモデルが作成および使用される方法を理解するために必要です。
機械学習とディープラーニング
従来の機械学習アルゴリズムであれ、ディープラーニングであれ、機械学習アルゴリズムでは、データセット内の特徴の選択は、望ましい予測精度を得るために非常に重要な役割を果たします。 従来の機械学習技術では、*機能の選択*は、ほとんどが人間の検査、判断、およびドメインの深い知識によって行われます。 機能選択のためにテストされたいくつかのアルゴリズムから助けを求める場合があります。
従来の機械学習フローは、次の図に示されています-
深層学習では、特徴選択は自動的に行われ、深層学習アルゴリズム自体の一部です。 これは以下の図に示されています-
深層学習アルゴリズムでは、*機能エンジニアリング*が自動的に行われます。 一般に、機能のエンジニアリングには時間がかかり、ドメインの優れた専門知識が必要です。 自動特徴抽出を実装するために、ディープラーニングアルゴリズムは通常大量のデータを要求するため、数千から数万のデータポイントしかない場合、ディープラーニング手法では満足のいく結果が得られない場合があります。
ディープラーニングアルゴリズムは、データが大きい場合、機能エンジニアリングが少ないかまったくないという利点が追加された従来のMLアルゴリズムと比較して、より良い結果をもたらします。
