Caffe2 - Installazione

Ora che hai abbastanza informazioni sulle capacità di Caffe2, è ora di sperimentare Caffe2 da solo. Per utilizzare i modelli pre-addestrati o per sviluppare i tuoi modelli nel tuo codice Python, devi prima installare Caffe2 sulla tua macchina.

Nella pagina di installazione del sito Caffe2 che è disponibile al link https://caffe2.ai/docs/getting-started.html vedrai quanto segue per selezionare la tua piattaforma e il tipo di installazione.

Come puoi vedere nello screenshot qui sopra, Caffe2 supporta diverse piattaforme popolari comprese quelle mobili.

Ora, capiremo i passaggi per MacOS installation su cui vengono testati tutti i progetti di questo tutorial.

Installazione su MacOS

L'installazione può essere di quattro tipi come indicato di seguito:

  • Binari predefiniti
  • Build From Source
  • Immagini Docker
  • Cloud

A seconda delle tue preferenze, seleziona uno dei precedenti come tipo di installazione. Le istruzioni fornite qui si riferiscono al sito di installazione di Caffe2 perpre-built binaries. Usa Anaconda perJupyter environment. Esegui il seguente comando sul prompt della console

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

Oltre a quanto sopra, avrai bisogno di alcune librerie di terze parti, che vengono installate utilizzando i seguenti comandi:

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

Alcuni dei tutorial nel sito Web di Caffe2 richiedono anche l'installazione di zeromq, che viene installato utilizzando il seguente comando:

conda install -c anaconda zeromq

Installazione Windows / Linux

Esegui il seguente comando sul prompt della console:

conda install -c pytorch pytorch-nightly-cpu

Come avrai notato, avresti bisogno di Anaconda per utilizzare l'installazione di cui sopra. Sarà necessario installare i pacchetti aggiuntivi come specificato inMacOS installation.

Installazione di prova

Per testare la tua installazione, di seguito viene fornito un piccolo script Python, che puoi tagliare e incollare nel tuo progetto Juypter ed eseguire.

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)

Quando esegui il codice sopra, dovresti vedere il seguente output:

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]]

Lo screenshot della pagina di test dell'installazione è mostrato qui per una rapida consultazione -

Ora che hai installato Caffe2 sulla tua macchina, procedi con l'installazione delle applicazioni tutorial.

Installazione del tutorial

Scarica il codice sorgente dei tutorial utilizzando il seguente comando sulla tua console:

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

Al termine del download, troverai diversi progetti Python nel file caffe2_tutorialscartella nella directory di installazione. Lo screenshot di questa cartella viene fornito per una rapida lettura.

/Users/yourusername/caffe2_tutorials

Puoi aprire alcuni di questi tutorial per vedere cosa è il file Caffe2 codesembra. I prossimi due progetti descritti in questo tutorial sono in gran parte basati sugli esempi mostrati sopra.

È ora il momento di fare un po 'di codice Python da soli. Cerchiamo di capire come utilizzare un modello pre-addestrato da Caffe2. Successivamente, imparerai a creare la tua banale rete neurale per l'addestramento sul tuo set di dati.