Caffe2 - 简介

最近几年，深度学习已成为机器学习的一大趋势。它已成功应用于解决视觉、语音识别和自然语言处理 (NLP) 中以前无法解决的问题。还有许多其他领域正在应用深度学习并已显示出其实用性。

Caffe（用于快速特征嵌入的卷积架构）是伯克利视觉与学习中心 (BVLC)开发的深度学习框架。Caffe 项目由杨清贾在加州大学伯克利分校攻读博士学位期间创建。Caffe 提供了一种简单的方法来尝试深度学习。它用 C++ 编写，并为 Python 和 Matlab 提供绑定。

它支持多种不同类型的深度学习架构，例如 CNN（卷积神经网络）、LSTM（长短期记忆）和 FC（全连接）。它支持 GPU，因此非常适合涉及深度神经网络的生产环境。它还支持基于 CPU 的内核库，例如 NVIDIA、CUDA 深度神经网络库 (cuDNN) 和英特尔数学内核库 (Intel MKL)。

2017 年 4 月，美国社交网络服务公司 Facebook 宣布推出 Caffe2，现在包括 RNN（循环神经网络），2018 年 3 月，Caffe2 被合并到 PyTorch。Caffe2 的创建者和社区成员已经创建了用于解决各种问题的模型。这些模型作为预训练模型向公众开放。Caffe2 帮助创建者使用这些模型并创建自己的网络来对数据集进行预测。

在深入了解 Caffe2 之前，让我们先了解一下机器学习和深度学习之间的区别。这对于了解如何在 Caffe2 中创建和使用模型是必要的。

机器学习与深度学习

在任何机器学习算法中，无论是传统算法还是深度学习算法，数据集中的特征选择对于获得所需的预测精度都起着极其重要的作用。在传统的机器学习技术中，特征选择主要通过人工检查、判断和深度领域知识来完成。有时，您可能会寻求一些经过测试的算法来帮助进行特征选择。

传统的机器学习流程如下图所示 −

在深度学习中，特征选择是自动的，是深度学习算法本身的一部分。如下图所示 −

在深度学习算法中，特征工程是自动完成的。通常，特征工程非常耗时，需要良好的领域专业知识。为了实现自动特征提取，深度学习算法通常需要大量数据，因此如果您只有数千和数万个数据点，深度学习技术可能无法为您提供满意的结果。

对于较大的数据，深度学习算法与传统 ML 算法相比可以产生更好的结果，并且具有特征工程较少或无需特征工程的额外优势。