Caffe2 Tutorials Overview（一）

原文地址
我们首先要说，我们非常感谢您对Caffe2感兴趣，并希望将来您在您的机器学习产品上使用该框架。 Caffe2旨在模块化，促进在深入学习上的想法和实验原型的快速实现。 考虑到这种模块化，请注意，一旦定义了一个模型，并且您有兴趣获得更多的性能和可扩展性，您就可以使用纯C ++部署这些模型，而无需在最终产品中使用Python。 此外，随着社区开发增强的和高性能模块，您可以轻松地将这些模块交换到Caffe2项目中。

选择您开始的路线

• 使用一个现成的预训练模型（初级）
• 编写自己的神经网络（中级）
• 移动应用。做一个应用深度学习技术的移动端APP（高级）

选择1，点击链接，有几个使用预训练模型的例子，我们将会展示如何在几分钟内跑起demo
选择2，你需要一些深度学习的背景知识。后面会给出一些资料的链接。
如果您选择了3，请点击链接，了解如何在Android或iOS应用中进行图像分类。 它几乎可以在Android Studio或Xcode即插即用，但您需要了解Caffe2的C ++接口。

不管任何选择，不要忘了回来看看每个部分的教程。 你永远不知道你可能会学到什么

• 初学者教程
• caffe2的新特点
• 中级教程
• 高级教程

New to deep learning

Michael Nielsen在神经网络和深度学习免费在线草案中给出了广泛的介绍。 特别是关于使用神经网络以及反向传播如何工作的章节，如果您是这个课题的新手，将是对您很有帮助。
对于电路和代码中的神经网络的展示，请参阅Andrej Karpathy（Stanford）的“黑客神经网络指南”。

---

Experienced researchers in some facet of machine learning

• CVPR14深度学习视觉教程是研究人员的一个很好的配套教程
• 这些最近的学术教程涵盖了机器学习和视觉研究人员的深度学习
  
  • 深度学习教程
  • LISA深度学习教程

---

教程和案例

我们下面提供的IPython notebook教程和示例脚本会引导您完成Caffe2 Python接口。 Caffe社区慷慨地提供了一些教程，我们欢迎更多的这方面的贡献，帮助其他人更快地加速，并尝试Caffe2到许多不同用途。 可以使用每个教程标题下面的链接浏览或下载iPython notebook教程。 您可以直接在Github上浏览这些ipynb文件，如果您只想查看代码并自行尝试，这是首选路径。 但是，建议在Jupyter Notebook中运行它们，并利用它们的交互性。 下面的安装说明将告诉你如何做到这一点。 如果您想要跳转到下面的教程说明，请跳过此部分。

案例示例

• 在~/caffe2/caff2/python/examples目录下有一些案例示例，它们同时也是非常好的资源让您开始一个caffe2的项目。

  • char_rnn.py：生成一个递归神经网络，对你输入的文本进行抽样，然后随机生成一个类似风格的文本。
     

  • lmdb_create_example.py：生成一个图片和标签的lmdb的数据库，你可以把这个作为框架写自己的数据读入接口
     

  • resnet50_trainer.py：多GPU并行训练Resnet-50。可以用来在imagenet上训练。

---

初学者教程

模型和数据集

新手的话，就去找一些适合你的模型和数据集吧。

加载预训练的模型

利用模型集的优势，用一些提前训练好的模型来尝试着开始你的旅行。

图像预处理

把数据集预处理为模型可以使用的格式。

• resizing （改变图像大小）
• rescaling （调整图像比例）
• HWC to CHW （H：height；W：width；C：channel）
• RGB to BRG （颜色三通道）
• image prep for Caffe2 ingestion （图像预处理成caffe2可以读取的格式）

---

New to Caffe2

Caffe to Caffe2 Translation

介绍caffe2，如何把caffe模型转换成caffe2模型。

Intro Tutorial

本教程让你逐渐的抛掉blob，开始学习caffe2的workspace和tensors，包括nets和operators以及怎样建立一个简答的模型并执行它。

Basics of Caffe2 - Workspaces, Operators, and Nets

IPython 教程介绍了一些基本的caffe2组成部分：

• workspace
• operators
• nets

构造模型
教程介绍brew，简单的方式调用API来建立模型。你会了解到：

• Operators vs. helper functions
• brew and arg_scope
• Making custom helper functions

Toy Regression - Plotting Lines & Random Data

使用caffe2提取特征，建立线性回归模型

• generate some sample random data as the input for the model（生成随机样本数据作为模型的输入）
• create a network with this data（使用这些数据创建一个网络）
• automatically train the model（自动训练模型）
• review stochastic gradient descent results and changes to your ground truth parameters as the network learned（使用SGD算法来学习网络中的参数）

---

Intermediate Tutorials

MNIST-手写数字图像识别

创建一个简单的网络来进行0-9的数字识别。

创建自己的数据集

---

Advanced Tutorials

caffe2的多GPU训练

今天先到这里，待续。。。