yiran103的专栏

Brewing Models brew是Caffe2创建模型的新API。过去，CNNModelHelper充当了这个角色。但是由于Caffe2已经不仅仅是一个卓越的CNN库，所以提供一个更通用的ModelHelper是十分有必要的。你可能会注意到，新的ModelHelper具备与CNNModelHelper大致相同的功能。brew封装了ModelHelper，使得构造模型比以前更容易。模型构建

Fast R-CNN 实现了候选框的特征图共享，大幅提高了训练及部署的效率。然而，网络输入仍然依赖 Selective Search 等方法，在整个系统中耗时占比较高且优化空间有限。Faster R-CNN 使用 RPN 网络生成候选区域。RPN 与第2阶段的 Fast R-CNN 共享特征图，使得效率再次跃升。Faster R-CNN 的整体框架如下图所示。RPN 告诉检测器需要看哪...

ParallelizeCreated with Raphaël 2.1.2Parallelizeinput_builder,forward_pass_builder设置ModelHelper设备属性input_builder_funforward_pass_builder_fun_ValidateParams_GroupByDevice_AddGradientOperatorsnet_tr...

不同于图像分类，在物体检测任务中一幅图片上出现的目标数量和大小是任意的；与之相矛盾的是全连接层只能接受固定大小的输入。R-CNN首先提取建议区域（约2000），裁剪缩放到固定大小；然后将所有候选区域送入卷积网络进行分类和回归。显然，以上做法是非常耗时且低效的。候选区域之间存在大量重叠，这意味着提取的卷积特征包含大量冗余。借助于RoI pooling，Fast R-CNN可以复用卷积特征。考虑到...

以下内容翻译自Integrating Caffe2 on iOS/AndroidCaffe2针对移动集成进行了优化，灵活，易于更新，并且能够运行在低功耗设备上。 本文将介绍如何在移动项目中实现Caffe2。相机演示项目如果您希望在移动端看到可行的Caffe2实施（仅限目前的Android），请查看此演示项目。AI Camera Demo摘要将模型分配给设备（Asset...

以下内容翻译自 Synchronous SGD利用多个GPU或机器来训练模型的方法有很多。而同步SGD（使用了Caffe2的数据并行模型）是最简单并且最容易理解的：每个GPU以完全相同的代码处理其在mini-batch中分得的数据。在mini-batch之间对每个GPU的梯度求均值，并且每个GPU以完全相同的方式执行参数更新。在任何时间点上，参数在每个GPU上具有相同的值。同步SGD的另一种理...

编译Android arm64的Caffe2需要android NDK r15c，并且使用build/cmake中的toolchain.cmake。gcc4.9编译ARM64v8a会遇到fp16x4_t类型找不到的问题。NDK中的toolchain.cmake默认使用clang，而直到r15c，clang才支持OpenMP。同时，需要CMake需要升级到3.10，否则”Could NOT find

Caffe2 Custom Operators你已经看过Caffe2中提供的种类广泛的算子了吗？仍想推出自己的算子？请继续阅读，但别忘了将您优秀的新算子贡献到项目中！构建一个基本算子尽管operator之间会有不同，但几乎所有的operator会使用一个.cc文件来注册operator，并在.h文件中具体实现。例如，在一些情况下，实现代码会在.cc文件中。除此之外，一些operator在.cu文件中

Caffe2移动端GPU支持列表移动端是Caffe2是发力的方向之一。Caffe2支持通过OpenGL调用移动GPU。然而移动端GPU却无法保持桌面上对CPU的优势，多CPU核心配弱GPU更是安卓界的一大特色。即使强大如iPhone，对于iPhone 6s以下的设备，NNPACK加速的CPU实现也比Apple的MPSCNNConvolution性能好。AndroidAndroid支持设备列表：#if

Faster R-CNN 通过与 RPN 共享特征图提高了整个检测过程的速度。然而，其第2阶段仍保留 Fast R-CNN 的处理手法，将数百区域逐一送入子网络。R-FCN 在 RoI 间亦共享特征，减少了区域处理的计算量。图片来源：vgg_rg_16_feb_2017_rfcn.pdfFaster R-CNN 与 R-FCN 的网络结构对比如下图所示：图片来源：Light-Head...