Caffe2 - 概述

现在，您已经对深度学习有所了解，让我们概述一下什么是 Caffe。

训练 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：

• **数据准备** - 在此步骤中，我们对图像进行中心裁剪并调整其大小，以便所有用于训练和测试的图像都具有相同的大小。这通常是通过对图像数据运行一个小型的 Python 脚本来完成的。

• **模型定义** - 在此步骤中，我们定义 CNN 架构。配置存储在 **.pb (protobuf)** 文件中。典型的 CNN 架构如下图所示。

• **求解器定义** - 我们定义求解器配置文件。求解器进行模型优化。

• **模型训练** - 我们使用内置的 Caffe 实用程序来训练模型。训练可能需要相当长的时间和 CPU 使用率。训练完成后，Caffe 将模型存储在一个文件中，该文件稍后可用于测试数据和最终的预测部署。

Caffe2 的新增功能

在 Caffe2 中，您会发现许多现成的预训练模型，并且还可以经常利用社区对新模型和算法的贡献。您创建的模型可以使用云中的 GPU 能力轻松扩展，也可以通过其跨平台库降低到大众使用。

Caffe2 对 Caffe 的改进可概括如下：

• 移动端部署
• 新的硬件支持
• 支持大规模分布式训练
• 量化计算
• 在 Facebook 上经过压力测试

预训练模型演示

伯克利视觉与学习中心 (BVLC) 网站提供了其预训练网络的演示。一个用于图像分类的此类网络可在以下链接中找到 https://caffe2.ai/docs/learn-more#null__caffe-neural-network-for-image-classification，并在下面的屏幕截图中显示。

在屏幕截图中，对狗的图像进行了分类并标注了其预测精度。它还表示对图像进行分类仅用了 **0.068 秒**。您可以通过在屏幕底部给出的选项中指定图像 URL 或上传图像本身来尝试您选择的图像。