Caffe2 - 概述

現在，您已經對深度學習有所瞭解，讓我們概述一下什麼是 Caffe。

訓練 CNN

讓我們學習訓練 CNN 以對影像進行分類的過程。此過程包括以下步驟：

• **資料準備** - 在此步驟中，我們對影像進行中心裁剪並調整其大小，以便所有用於訓練和測試的影像都具有相同的大小。這通常是透過對影像資料執行一個小型的 Python 指令碼來完成的。

• **模型定義** - 在此步驟中，我們定義 CNN 架構。配置儲存在 **.pb (protobuf)** 檔案中。典型的 CNN 架構如下圖所示。

• **求解器定義** - 我們定義求解器配置檔案。求解器進行模型最佳化。

• **模型訓練** - 我們使用內建的 Caffe 實用程式來訓練模型。訓練可能需要相當長的時間和 CPU 使用率。訓練完成後，Caffe 將模型儲存在一個檔案中，該檔案稍後可用於測試資料和最終的預測部署。

Caffe2 的新增功能

在 Caffe2 中，您會發現許多現成的預訓練模型，並且還可以經常利用社群對新模型和演算法的貢獻。您建立的模型可以使用雲中的 GPU 能力輕鬆擴充套件，也可以透過其跨平臺庫降低到大眾使用。

Caffe2 對 Caffe 的改進可概括如下：

• 移動端部署
• 新的硬體支援
• 支援大規模分散式訓練
• 量化計算
• 在 Facebook 上經過壓力測試

預訓練模型演示

伯克利視覺與學習中心 (BVLC) 網站提供了其預訓練網路的演示。一個用於影像分類的此類網路可在以下連結中找到 https://caffe2.ai/docs/learn-more#null__caffe-neural-network-for-image-classification，並在下面的螢幕截圖中顯示。

在螢幕截圖中，對狗的影像進行了分類並標註了其預測精度。它還表示對影像進行分類僅用了 **0.068 秒**。您可以透過在螢幕底部給出的選項中指定影像 URL 或上傳影像本身來嘗試您選擇的影像。