Caffe (программное обеспечение)

Кафе

Автор (ы) оригинала	Янцин Цзя
Разработчики)	Berkeley Vision and Learning Center
Стабильный выпуск	1.0 [1] / 18 апреля 2017 г . ; 3 года назад ( 2017-04-18 )
Репозиторий	github .com / BVLC / caffe
Написано в	C ++
Операционная система	Linux , macOS , Windows [2]
Тип	Библиотека для глубокого обучения
Лицензия	BSD [3]
Интернет сайт	кофейная .berkeleyvision .org

Часть серии по
Машинное обучение и интеллектуальный анализ данных
Проблемы Классификация Кластеризация Регресс Обнаружение аномалий AutoML Правила ассоциации Обучение с подкреплением Структурированный прогноз Функциональная инженерия Особенности обучения Онлайн обучение Полу-контролируемое обучение Обучение без учителя Учимся ранжировать Введение в грамматику
Обучение с учителем ( классификация  • регрессия ) Деревья решений Ансамбли Упаковка Повышение Случайный лес k -NN Линейная регрессия Наивный байесовский Искусственные нейронные сети Логистическая регрессия Перцептрон Вектор релевантности (RVM) Машина опорных векторов (SVM)
Кластеризация БЕРЕЗА ИЗЛЕЧИВАТЬ Иерархический k -средство Ожидание – максимизация (EM) DBSCAN ОПТИКА Средний сдвиг
Снижение размерности Факторный анализ CCA ICA LDA NMF PCA PGD t-SNE
Структурированный прогноз Графические модели Сеть Байеса Условное случайное поле Скрытый Марков
Обнаружение аномалий k -NN Фактор местного выброса
Искусственная нейронная сеть Автоэнкодер Когнитивные вычисления Глубокое обучение DeepDream Многослойный перцептрон RNN LSTM ГРУ ESN Ограниченная машина Больцмана GAN SOM Сверточная нейронная сеть U-Net Трансформатор Пиковая нейронная сеть Мемтранзистор Электрохимическая RAM (ECRAM)
Обучение с подкреплением Q-обучение SARSA Временная разница (TD)
Теория Компромисс смещения и дисперсии Теория вычислительного обучения Минимизация эмпирического риска Обучение Оккама PAC обучение Статистическое обучение Теория ВК
Площадки для машинного обучения NeurIPS ICML ML JMLR ArXiv: cs.LG
Глоссарий искусственного интеллекта Глоссарий искусственного интеллекта
Статьи по Теме Список наборов данных для исследований в области машинного обучения Краткое описание машинного обучения
v т е

CAFFE (сверточная архитектура для быстрого встраивания функций) - это среда глубокого обучения , первоначально разработанная в Калифорнийском университете в Беркли . Это открытый исходный код под лицензией BSD . ^[4] Он написан на C ++ с интерфейсом Python . ^[5]

История [ править ]

Янцин Цзя создал проект кафе во время своей докторской диссертации в Калифорнийском университете в Беркли. ^[6] В настоящее время он размещен на GitHub . ^[7]

Особенности [ править ]

Caffe поддерживает множество различных типов архитектур глубокого обучения , ориентированные на классификацию изображений и сегментацию изображений . Он поддерживает CNN , RCNN, LSTM и полностью подключенные нейронные сети. ^[8] Caffe поддерживает вычислительные библиотеки ядра для ускорения на базе GPU и CPU, такие как NVIDIA cuDNN и Intel MKL . ^{[9] [10]}

Приложения [ править ]

Caffe используется в академических исследовательских проектах, прототипах стартапов и даже в крупномасштабных промышленных приложениях в области видения, речи и мультимедиа. Yahoo! также интегрировал caffe с Apache Spark для создания CaffeOnSpark, распределенной среды глубокого обучения. ^[11]

Caffe2 [ править ]

В апреле 2017 года Facebook анонсировал Caffe2, ^[12] который включает новые функции, такие как рекуррентные нейронные сети . В конце марта 2018 года Caffe2 был объединен с PyTorch . ^[13]

См. Также [ править ]

• Сравнение программного обеспечения для глубокого обучения

Ссылки [ править ]

Внешние ссылки [ править ]

• Официальный веб-сайт