Caffe2 - Installation

Maintenant que vous avez suffisamment d'informations sur les capacités de Caffe2, il est temps d'expérimenter Caffe2 par vous-même. Pour utiliser les modèles pré-entraînés ou pour développer vos modèles dans votre propre code Python, vous devez d'abord installer Caffe2 sur votre machine.

Sur la page d'installation du site Caffe2 disponible sur le lien https://caffe2.ai/docs/getting-started.html vous verrez ce qui suit pour sélectionner votre plate-forme et le type d'installation.

Comme vous pouvez le voir dans la capture d'écran ci-dessus, Caffe2 prend en charge plusieurs plates-formes populaires, y compris les mobiles.

Maintenant, nous allons comprendre les étapes pour MacOS installation sur lequel tous les projets de ce tutoriel sont testés.

Installation MacOS

L'installation peut être de quatre types comme indiqué ci-dessous -

  • Fichiers binaires prédéfinis
  • Construire à partir de la source
  • Images Docker
  • Cloud

Selon vos préférences, sélectionnez l'un des éléments ci-dessus comme type d'installation. Les instructions données ici sont celles du site d'installation de Caffe2 pourpre-built binaries. Il utilise Anaconda pourJupyter environment. Exécutez la commande suivante sur votre invite de console

pip install torch_nightly -f 
https://download.pytorch.org/whl/nightly/cpu/torch_nightly.html

En plus de ce qui précède, vous aurez besoin de quelques bibliothèques tierces, qui sont installées à l'aide des commandes suivantes -

conda install -c anaconda setuptools
conda install -c conda-forge graphviz  
conda install -c conda-forge hypothesis
conda install -c conda-forge ipython
conda install -c conda-forge jupyter
conda install -c conda-forge matplotlib
conda install -c anaconda notebook
conda install -c anaconda pydot
conda install -c conda-forge python-nvd3
conda install -c anaconda pyyaml
conda install -c anaconda requests
conda install -c anaconda scikit-image
conda install -c anaconda scipy

Certains des didacticiels du site Web Caffe2 nécessitent également l'installation de zeromq, qui est installé à l'aide de la commande suivante -

conda install -c anaconda zeromq

Installation Windows / Linux

Exécutez la commande suivante sur votre invite de console -

conda install -c pytorch pytorch-nightly-cpu

Comme vous avez dû le remarquer, vous auriez besoin d'Anaconda pour utiliser l'installation ci-dessus. Vous devrez installer les packages supplémentaires comme spécifié dans leMacOS installation.

Test de l'installation

Pour tester votre installation, un petit script Python est donné ci-dessous, que vous pouvez couper et coller dans votre projet Juypter et exécuter.

from caffe2.python import workspace
import numpy as np
print ("Creating random data")
data = np.random.rand(3, 2)
print(data)
print ("Adding data to workspace ...")
workspace.FeedBlob("mydata", data)
print ("Retrieving data from workspace")
mydata = workspace.FetchBlob("mydata")
print(mydata)

Lorsque vous exécutez le code ci-dessus, vous devriez voir la sortie suivante -

Creating random data
[[0.06152718 0.86448082]
[0.36409966 0.52786113]
[0.65780886 0.67101053]]
Adding data to workspace ...
Retrieving data from workspace
[[0.06152718 0.86448082]
[0.36409966 0.52786113]
[0.65780886 0.67101053]]

La capture d'écran de la page de test d'installation est affichée ici pour votre référence rapide -

Maintenant que vous avez installé Caffe2 sur votre machine, procédez à l'installation des applications du didacticiel.

Installation du didacticiel

Téléchargez la source des didacticiels à l'aide de la commande suivante sur votre console -

git clone --recursive https://github.com/caffe2/tutorials caffe2_tutorials

Une fois le téléchargement terminé, vous trouverez plusieurs projets Python dans le caffe2_tutorialsdossier dans votre répertoire d'installation. La capture d'écran de ce dossier est donnée pour votre lecture rapide.

/Users/yourusername/caffe2_tutorials

Vous pouvez ouvrir certains de ces didacticiels pour voir ce que Caffe2 coderessemble à. Les deux projets suivants décrits dans ce didacticiel sont largement basés sur les exemples présentés ci-dessus.

Il est maintenant temps de faire notre propre codage Python. Comprenons comment utiliser un modèle pré-entraîné de Caffe2. Plus tard, vous apprendrez à créer votre propre réseau neuronal trivial pour vous entraîner sur votre propre ensemble de données.