이것은 Caffe2 API의 기본 아이디어입니다: Python을 사용하여 편리하게 그물을 사용하여 모델을 학습하고, 해당 그물을 직렬화된 프로토 버퍼로 C++ 코드에 전달한 다음 C++ 코드가 완전한 성능으로 그물을 실행하도록 합니다. 작업 영역은 모든 Blob을 저장합니다. 다음 예제에서는 Blob을 작업 영역에 공급하고 다시 가져오는 방법을 보여 주며 있습니다. 작업 영역은 사용을 시작하는 순간 자신을 초기화합니다. 우리가 아래에 제공 한 IPython 노트북 자습서 및 예제 스크립트는 Caffe2 파이썬 인터페이스를 안내합니다. 일부 튜토리얼은 아낌없이 카페 커뮤니티에 의해 제공되었으며, 우리는 다른 사람들이 더 빨리 진입얻을 수 있도록이러한 종류의 더 많은 기여를 환영하고 Caffe2의 많은 다른 용도를 시도합니다. IPython 노트북 자습서는 각 자습서의 제목 아래 링크를 사용하여 찾아보거나 다운로드할 수 있습니다. Github에서 이러한 ipynb 파일을 직접 찾아볼 수 있으며 코드를 보고 직접 사용해 보고 싶다면 이 경로가 선호되는 경로입니다. 그러나 Jupyter 노트북에서 실행하고 상호 작용을 활용하는 것이 좋습니다.

아래 설치 지침은이 작업을 수행하는 방법을 보여줍니다. 아래의 자습서 설명으로 바로 이동하려면 이 부분을 건너뜁니다. 이렇게 하면 MNIST 자습서가 끝납니다. 이 자습서에서는 Caffe2의 기능 중 일부와 간단한 CNN을 만드는 것이 얼마나 쉬운지 강조했습니다. 이 자습서에서는 ONNX를 사용하여 PyTorch에 정의된 모델을 ONNX 형식으로 변환한 다음 Caffe2에 로드하는 방법을 설명합니다. 일단 Caffe2에서, 우리는 제대로 내보냈다 다시 확인 모델을 실행할 수 있습니다, 우리는 모바일 장치에서 모델을 실행하기 위한 모바일 수출과 같은 Caffe2 기능을 사용하는 방법을 보여줍니다. 데이터 입력을 수행하기 전에 학습 모델을 정의해야 합니다. 우리는 기본적으로 우리가 위에서 정의 한 구성 요소의 모든 조각이 필요합니다. 이 예제에서는 mnist_train 데이터 집합에서 NCHW 저장소 순서를 사용하고 있습니다. 3을 선택한 경우 링크를 클릭하여 Android 또는 iOS 앱에서 이미지 분류를 하는 방법을 알아보십시오. 그것은 거의 안 드 로이드 스튜디오 또는 Xcode와 플러그 앤 플레이, 하지만 Caffe2의 C ++ 후크와 직접 통합 해야 합니다. init_net에는 모델 매개 변수가 포함되고 모델 입력이 포함되며 predict_net은 런타임에 init_net 실행을 안내하는 데 사용됩니다.

이 자습서에서는 위에 생성된 init_net 및 predict_net을 사용하고 일반 Caffe2 백엔드와 모바일 모두에서 실행하고 두 실행에서 생성된 고해상도 cat 이미지가 동일한지 확인합니다. 먼저 PyTorch에서 수퍼 해상도 모델을 만들어 보겠습니다. 이 모델은 수정없이 PyTorch의 예제에서 직접 제공됩니다 : 1을 선택한 경우 여러 예제가 미리 학습 된 모델을 사용하는 곳으로의 링크를 클릭하고 몇 분 안에 데모 프로젝트를 시작하고 실행하는 방법을 보여줍니다. Caffe2에서 FC op는 입력 Blob(데이터), 가중치 및 바이어스를 사용합니다. 자비어채우기 또는 ConstantFill을 사용하는 가중치와 바이어스는 빈 배열, 이름 및 모양(shape=[출력, 입력])을 모두 사용합니다.