Caffe2-overview
提供:Dev Guides
Caffe2-概要
ここで、ディープラーニングに関するいくつかの洞察を得たので、Caffeとは何かの概要を説明します。
CNNのトレーニング
画像を分類するためのCNNをトレーニングするプロセスを学びましょう。 プロセスは、次のステップで構成されています-
- データの準備-このステップでは、トレーニングとテスト用のすべての画像が同じサイズになるように、画像を中央で切り取り、サイズを変更します。 これは通常、画像データに対して小さなPythonスクリプトを実行することにより行われます。
- モデル定義-このステップでは、CNNアーキテクチャを定義します。 構成は* .pb(protobuf)*ファイルに保存されます。 典型的なCNNアーキテクチャを次の図に示します。
- ソルバー定義-ソルバー構成ファイルを定義します。 ソルバーはモデルの最適化を行います。
- モデルトレーニング-組み込みのCaffeユーティリティを使用してモデルをトレーニングします。 トレーニングには、かなりの時間とCPU使用率がかかる場合があります。 トレーニングが完了すると、Caffeはモデルをファイルに保存します。このファイルは、後でテストデータと予測の最終展開で使用できます。
Caffe2の新機能
Caffe2には、すぐに使用できる多くの事前トレーニング済みモデルがあり、新しいモデルとアルゴリズムのコミュニティの貢献を非常に頻繁に活用します。 作成したモデルは、クラウドのGPUパワーを使用して簡単にスケールアップでき、クロスプラットフォームライブラリを使用してモバイルでの大衆の使用にまで縮小できます。
CaffeよりもCaffe2で行われた改善は、次のように要約することができます-
- モバイル展開
- 新しいハードウェアのサポート
- 大規模な分散トレーニングのサポート
- 量子化された計算
- Facebookでストレステスト済み
事前学習済みモデルのデモ
Berkeley Vision and Learning Center(BVLC)サイトでは、事前にトレーニングされたネットワークのデモを提供しています。 このような画像分類のネットワークの1つは、https://caffe2.ai/docs/learn-more#null__caffe-neural-network-for-image-classificationに記載されているリンクから入手でき、下のスクリーンショットに示されています。
スクリーンショットでは、犬の画像が分類され、予測精度でラベル付けされています。 また、画像の分類に* 0.068秒*しかかからなかったとも述べています。 画面の下部にあるオプションで画像URLを指定するか、画像自体をアップロードすることにより、自分で選択した画像を試すことができます。