Caffe2 - Instalación

Ahora que tiene suficientes conocimientos sobre las capacidades de Caffe2, es hora de experimentar Caffe2 por su cuenta. Para usar los modelos previamente entrenados o para desarrollar sus modelos en su propio código Python, primero debe instalar Caffe2 en su máquina.

En la página de instalación del sitio Caffe2 que está disponible en el enlace https://caffe2.ai/docs/getting-started.html Verá lo siguiente para seleccionar su plataforma y tipo de instalación.

Como puede ver en la captura de pantalla anterior, Caffe2 admite varias plataformas populares, incluidas las móviles.

Ahora, entenderemos los pasos para MacOS installation en el que se prueban todos los proyectos de este tutorial.

Instalación de MacOS

La instalación puede ser de cuatro tipos como se indica a continuación:

  • Binarios prediseñados
  • Construir a partir de la fuente
  • Imágenes de Docker
  • Cloud

Dependiendo de su preferencia, seleccione cualquiera de los anteriores como su tipo de instalación. Las instrucciones que se dan aquí corresponden al sitio de instalación de Caffe2 parapre-built binaries. Utiliza Anaconda paraJupyter environment. Ejecute el siguiente comando en el indicador de su consola

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

Además de lo anterior, necesitará algunas bibliotecas de terceros, que se instalan mediante los siguientes comandos:

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

Algunos de los tutoriales del sitio web de Caffe2 también requieren la instalación de zeromq, que se instala con el siguiente comando:

conda install -c anaconda zeromq

Instalación de Windows / Linux

Ejecute el siguiente comando en el indicador de su consola:

conda install -c pytorch pytorch-nightly-cpu

Como debe haber notado, necesitaría Anaconda para usar la instalación anterior. Deberá instalar los paquetes adicionales como se especifica en elMacOS installation.

Prueba de instalación

Para probar su instalación, a continuación se proporciona un pequeño script de Python, que puede cortar y pegar en su proyecto Juypter y ejecutar.

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)

Cuando ejecute el código anterior, debería ver el siguiente resultado:

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 captura de pantalla de la página de prueba de instalación se muestra aquí para su referencia rápida:

Ahora que ha instalado Caffe2 en su máquina, proceda a instalar las aplicaciones del tutorial.

Instalación del tutorial

Descargue la fuente de los tutoriales usando el siguiente comando en su consola:

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

Una vez completada la descarga, encontrará varios proyectos de Python en el caffe2_tutorialscarpeta en su directorio de instalación. La captura de pantalla de esta carpeta se proporciona para su rápida lectura.

/Users/yourusername/caffe2_tutorials

Puede abrir algunos de estos tutoriales para ver qué Caffe2 codeparece. Los siguientes dos proyectos descritos en este tutorial se basan en gran medida en los ejemplos que se muestran arriba.

Ahora es el momento de hacer nuestra propia codificación en Python. Entendamos cómo utilizar un modelo previamente entrenado de Caffe2. Más adelante, aprenderá a crear su propia red neuronal trivial para entrenar en su propio conjunto de datos.