資訊專欄INFORMATION COLUMN
摘要：部署旨在幫助開發人員和研究人員訓練大規模機器學習模型，并在移動應用中提供驅動的用戶體驗?，F在，開發人員可以獲取許多相同的工具，能夠在大規模分布式場景訓練模型，并為移動設備創建機器學習應用。
AI 模型的訓練和部署通常與大量數據中心或超級計算機相關聯，原因很簡單。從大規模的圖像、視頻、文本和語音等各種信息中持續處理、創建和改進模型的能力不是小型計算擅長的。在移動設備上部署這些模型，使其快速輕量級運轉，同樣是令人生畏的任務?？朔@些挑戰需要一個強大、靈活、便攜式（portable）深度學習框架。
Facebook一直在與開源社區一起建立這樣一個框架。今天，我們將第一個生產就緒（production-ready）的 Caffe2 開源，這是一個輕量級和模塊化的深度學習框架，強調便攜性，同時保持了可擴展性和性能。
我們致力于為社區提供高性能的機器學習工具，以便每個人都能創造智能應用和服務。Caffe2 提供了教學和示例，演示了用一臺機器上的多顆 GPU 或多臺機器的一顆或多顆 GPU 進行大規模學習。學習訓練和部署 iOS，Android 和 Raspberry Pi 模型。在模型庫 Caffe2 Model Zoo 里面的預訓練模型，只需幾行代碼就能運行。
Facebook 部署 Caffe2 旨在幫助開發人員和研究人員 訓練大規模機器學習模型，并在移動應用中提供 AI 驅動的用戶體驗。現在，開發人員可以獲取許多相同的工具，能夠在大規模分布式場景訓練模型，并為移動設備創建機器學習應用。
我們與英偉達，高通，英特爾，亞馬遜和微軟密切合作，在云端和移動環境兩個方面都對 Caffe2 做了優化。這些合作將使機器學習從業者能夠使用更復雜的模型快速地進行實驗，并部署下一代 AI 增強型的應用和服務。
Caffe2 會持續更新，歡迎提供意見和建議。
更新信息可以查看 Caffe2 文檔和教程請訪問 caffe2.ai，并查看 GitHub 源代碼。（下文有介紹。）
Caffe2 原理（Philosophy）
Caffe2 的原理與 Caffe 相同，開發原則可以概括為以下5點：
表達（Expression）：模型和優化被定義為純文本模式（plaintext schema）而不是代碼。
速度：對學界和產業界都一樣，速度對于較先進的模型和大數據至關重要。
模塊化：新任務和設置需要靈活性和擴展性。
開放性：科學和應用進步需要通用代碼（common code），參考模型和重現性（reproducibility）。
社區：學術研究、startup prototypes 和工業應用通過在 BSD-2 項目中聯合討論和開發，共享實力。
Caffe2：Caffe 的實驗性再造，用更靈活的方式組織計算
根據 Github 頁面介紹，Caffe2 這個深度學習框架，在制作時就考慮到了表達（expression）、速度和模塊化這些特性。
Caffe2 是 Caffe 實驗性的再造，可以提供更靈活的方法組織計算。
Caffe2 是根據 BSD 2-Clause 許可證條款發布的。
目前確定可以運行的 Build Status 如下：
Ubuntu 14.04 (GCC)
√ Default CPU build
√ Default GPU build
OS X (Clang)
√ Default CPU build
√ Default GPU build
Options (both Clang and GCC)
√ Nervana GPU
× ZMQ
√ RocksDB
√ MPI
√ OpenMP
√ No LMDB
√ No LevelDB
√ No OpenCV
BLAS
√ OpenBLAS
√ ATLAS
× MKL
其他
√ CMake 2.8 support
√ List of dependencies for Ubuntu 14.04
√ List of dependencies for Ubuntu 16.04
√ List of dependencies for OS X
Caffe2 模型庫：圖像分類、圖像分割、對象和場景標記等
Caffe2 的宣傳口號 “一次編碼，隨時隨地運行”，可見 Caffe2 想要凸顯其靈活、便攜性，當然，還有預訓練模型。
據介紹，Caffe 開發社區十分活躍，開發人員和研究人員會分享他們的 Caffe 模型，當然，現在也會分享 Caffe2 模型。
Caffe2 模型庫的頁面開始說，你可以用這些模型快速構建 demo 并探索深度學習功能，而不需要耗費時間和計算資源從頭開始訓練模型，你可以重新創建和評估其他項目的結果，或者改進以前發布的模型，歡迎分享和討論。?
下面列出了 Caffe 模型，還提供了一組可用于 Caffe2 的模型。由于剛剛起步，Caffe2 模型現在還比較少。
目前，只有圖像分類的 Squeezenet、BVLC AlexNet、BVLC CaffeNet 模型、BVLC GoogleNet 模型和 ImageNet ILSVRC13 RCNN 有 Caffe2 預訓練模型，相信很快就會有更多豐富。
Caffe2 中基本計算單元之一是 Operators。每個 Operator 包含給定適當數量和類型的輸入和參數來計算輸出所需的邏輯。Caffe 和 Caffe2 功能的總體差異如下圖所示：
（關于如何將 Caffe 模型轉換為 Caffe2 模型主頁上有非常詳細而且友好的教程。）
圖像分類
圖像分割
對象和場景標記
風格
人臉
視頻處理
Caffe2 深度學習應用
據介紹，Caffe2 的深度學習應用主要是計算機視覺（CV）、聊天機器人（Chat Bots）、物聯網（IoT）、語音識別、翻譯以及醫療。
此外，沒有在上圖中列出的，還有廣告和其他一些應用，包括面向學術界研究人員的，可以改進現有模型、創新新的模型、開發算法和更智能的神經網絡。
還有工程師和開發人員，介紹中說，最終許多行業都會用到深度學習，即使你沒有直接從事深度學習相關工作，你的公司也會將深度學習并入平臺。
Caffe2強調易用性， 旨在為開發人員提供一種簡單直觀的方式，親身體驗深度學習。
在某些情況下，你可能希望使用現有的模型，跳過整個“學習”的步驟，在嘗試訓練你自己的模型之前，就熟悉深度學習是如何的實用和有效。
Caffe2 API：C++ & Python
Caffe2 給出了 C++ 和 Python 的 API。
C++：http://caffe2.ai/doxygen-c/html/classes.html
Python：http://caffe2.ai/doxygen-python/html/annotated.html
Caffe2 的網站非常友好，除了 API，不僅包括了教程（Tutorial）、參考（Reference），在最開始還有介紹深度學習的部分——Learn。
Learn 這部分從深度學習知識和應用講起，介紹了如何將 Caffe2 整合入 iOS 和 Android。不僅如此，還有分布式訓練和數據庫的介紹。
在教程在方面，有模型和數據庫介紹，從 Caffe2 的基本講起，包括 Workspaces、Operators & Nets，還有 Toy Regression、圖像預處理、加載預訓練模型、MNIST（從頭開始創建一個 CNN）的講解，教你自己創建數據庫，以及 AI 攝像機 Demo 和教程，RNN 和 LSTM 網絡的介紹。
Facebook 產業級跨平臺機器學習工具
在 2016 年 11 月發布 Caffe2go 時，Caffe 作者賈揚清介紹說，Caffe2 是 Facebook 第一個具有產業實力的深度學習平臺，可以跨平臺用同樣的代碼集全速運行。由于模塊化設計，框架可以使用相同的語言，但要分別在各個平臺上優化。例如，框架可以在手機（iOS 和 Android）的 NNPack 和服務器 GPU 的 CUDNN 之間選擇。因此，開發者可以專業于算法的工作，而不用研究怎樣運行卷積。
人工智能已經產生了深遠的影響，但大部分 AI 還是局限于大型數據中心，遠離實際使用 AI 應用和服務的人。我們不可能讓人隨身攜帶超級計算機，那么，讓 AI 在當前更為普及便攜的設備——智能手機工作上工作就成為關鍵一環。
以下是開源地址和體驗鏈接：主頁：http://caffe2.ai
Github: https://github.com/caffe2/caffe2
參與調查，改善 Caffe2：https://www.surveymonkey.com/r/caffe2歡迎加入本站公開興趣群
商業智能與數據分析群
興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識
QQ群：81035754
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://m.specialneedsforspecialkids.com/yun/4521.html
摘要：這一新程序被稱為，是一個完整的深度學習系統，它的架構已經嵌入手機中。因此，移動設備環境對機器學習系統提出了機遇和挑戰。展望下一步，加上這樣的研究工具鏈，是的機器學習產品的核心。 風格遷移一直是機器學習領域內的一項重要任務，很多研究機構和研究者都在努力打造速度更快、計算成本更低的風格遷移機器學習系統，比如《怎么讓你的照片帶上藝術大師風格？李飛飛團隊開源快速神經網絡風格遷移代碼 》、《谷歌增強型...
摘要：下圖總結了絕大多數上的開源深度學習框架項目，根據項目在的數量來評級，數據采集于年月初。然而，近期宣布將轉向作為其推薦深度學習框架因為它支持移動設備開發。該框架可以出色完成圖像識別，欺詐檢測和自然語言處理任務。 很多神經網絡框架已開源多年，支持機器學習和人工智能的專有解決方案也有很多。多年以來，開發人員在Github上發布了一系列的可以支持圖像、手寫字、視頻、語音識別、自然語言處理、物體檢測的...
摘要：賈揚清現身說法發布后，作者賈揚清在上連發四記解答。，賈揚清一上來就表明了身份。正式發布新框架有何不同賈揚清親自解答有人問搞出意義何在現在已經有等諸多框架。賈揚清說和團隊緊密合作。 ?圖左為Caffe2作者賈揚清今天凌晨召開的F8大會上，Facebook正式發布Caffe2~隨著人工智能的發展，在訓練深度神經網絡和大規模人工智能模型以及部署各機器的計算量時，通常要在大量數據中心或超級計算機的支...
摘要：英偉達作為的開發合作者，計劃對的深度學習應用推出一系列博客文章?？墒褂玫挠ミ_深度學習庫和來實現高性能多加速訓練和推理。最近的訓練基準使用了塊的英偉達和神經網絡架構。 昨天，Facebook 推出了 Caffe2，一個兼具表現力、速度和模塊性的開源深度學習框架。它沿襲了大量的 Caffe 設計，可解決多年來在 Caffe 的使用和部署之中發現的瓶頸問題。最終，Caffe2 打開了算法實驗和新...
摘要：我們對種用于數據科學的開源深度學習庫作了排名。于年月發布了第名，已經躋身于深度學習庫的上半部分。是最流行的深度學習前端第位是排名較高的非框架庫。頗受對數據集使用深度學習的數據科學家的青睞。深度學習庫的完整列表來自幾個來源。 我們對23種用于數據科學的開源深度學習庫作了排名。這番排名基于權重一樣大小的三個指標：Github上的活動、Stack Overflow上的活動以及谷歌搜索結果。排名結果...
閱讀 1680·2023-04-26 00:30
閱讀 3152·2021-11-25 09:43
閱讀 2880·2021-11-22 14:56
閱讀 3190·2021-11-04 16:15
閱讀 1151·2021-09-07 09:58
閱讀 2023·2019-08-29 13:14
閱讀 3112·2019-08-29 12:55
閱讀 988·2019-08-29 10:57
