| cafe | |
|---|---|
| Type | dybt læringsmiljø |
| Forfatter | Yangqing Jia |
| Udvikler | Berkeley Vision and Learning Center |
| Skrevet i | C++ |
| Operativ system | Linux , macOS , Windows [1] |
| nyeste version | 1,0 [2] (18. april 2017 ) |
| Licens | BSD [3] |
| Internet side | caffe.berkeleyvision.org |
Caffe er en ramme for dyb læring udviklet af Yangqing Jia , mens han forberedte sit speciale ved University of Berkeley . Caffe er open source-software, der distribueres under BSD-licensen . [4] Skrevet i C++ og understøtter en Python -grænseflade . [5]
Navnet Caffe kommer fra forkortelsen " Convolution Architecture For Feature Extraction " (Convolution Architecture For Feature Extraction).
Yanqin Jia ved UC Berkeley skabte Caffe for at understøtte dyb læring . Nøglespørgsmålet for afhandlingen var at sikre effektiv parallel behandling af multidimensionelle matrixoperationer , hvortil det blev besluttet at skabe en ramme baseret på MATLABs matematiske bibliotek og CUDA multiprocessorarkitekturen . Den første udvikling tog kun to måneder. [6] Mange udviklere har tilsluttet sig projektet, og det hostes nu gennem GitHub -webtjenesten . [7]
I april 2017 annoncerede Facebook oprettelsen af Caffe2 [8] , som inkluderer nye funktioner, især tilbagevendende neurale netværk .
I maj 2018 fusionerede Caffe2- og PyTorch-holdene . [9] Caffe2-koden er siden blevet flyttet til PyTorch-depotet og er en del af sidstnævnte.
Caffe understøtter mange typer maskinlæring , primært rettet mod at løse billedklassificering og segmenteringsproblemer . Caffe leverer konvolutionelle neurale netværk , RCNN'er, langtidshukommelse og fuldt forbundne neurale netværk. [10] For at fremskynde indlæringen bruges samtidig et system af grafikprocessorer (GPU) , understøttet af CUDA -arkitekturen og ved hjælp af CuDNN-biblioteket fra Nvidia . [elleve]
Caffe giver dig mulighed for at bruge færdige industrielle neurale netværkskonfigurationer, der er blevet testet. Sættet indeholder blandt andet AlexNet , som vandt ImageNet- konkurrencen i 2012 [12] , og GoogLeNet , som vandt ImageNet- konkurrencen 2014 [13]
Caffe manipulerer blobs -multidimensionale arrays af data, der bruges i parallel computing og placeres på CPU'en eller GPU'en . Læring i et foldet neuralt netværk implementeres som parallelle multiprocessorberegninger af klatter fra lag til lag (fremad og bagud). Løseren koordinerer hele læringsprocessen - fremad fra input til output, får fejlfunktionen, baglæns ( Backpropagation ) tilbage fra outputlaget ved hjælp af fejlgradienter. Samtidig implementerer Caffe forskellige læringsstrategier til Solver.
Som input bruges data fra hukommelsen, fra en database eller fra eksterne lagermedier. Konvolutionslag, traditionelle foldningsnetværk, ReLU-lag, pooling, fuldt forbundne lag, samt udfoldning (dekonvolution)lag til RNN- netværk bruges som skjulte lag . Mange andre typer lag, filtre, datatransformationer og fejlfunktioner er også tilvejebragt.
Caffe bruges i akademisk forskning, prototyper til startups, såvel som til industrielle applikationer såsom billed-, tale- eller multimediegenkendelse. Yahoo! også integreret Caffe med Apache Spark - miljøet , hvilket skaber den distribuerede CaffeOnSpark-ramme. [fjorten]
| Deep learning programmer | |
|---|---|
| gratis software |
|
| Ikke-fri software |
|
| |