El modelo de programación de Caffe2 es muy similar al de TensorFlow:
Construir gráfico de computación, inicializar nodos, ejecutar gráfico
Ambos marcos modelan la computación como un gráfico con operadores como nodos y datos que fluyen en forma de tensores (Caffe2 es un poco más genérico en el sentido de que también se puede usar para procesar objetos no tensoriales).
- ¿Cuál es el principio del aprendizaje profundo?
- ¿Por qué no es una buena idea tener el mismo tren y equipo de prueba?
- ¿Por qué no podemos hacer una puerta XOR con 1 neurona?
- ¿Puede explicar la optimización convexa sin matrices de arpillera y solo la segunda derivada?
- ¿Cuáles son algunos de los requisitos previos necesarios para aprender el aprendizaje automático o la inteligencia artificial?
Entonces, ¿realmente necesitamos Caffe2? Si. Caffe2 está diseñado principalmente para ser utilizado en la producción (y no en la investigación). Facebook quiere que Caffe2 sea la opción de acceso si uno quiere implementar el aprendizaje profundo en dispositivos móviles. Cabe señalar que TF no funciona tan bien en dispositivos móviles. Desde mi evaluación inicial, Caffe2 es el más flexible y ágil entre todos los marcos de aprendizaje profundo (Torch, TensorFlow, Caffe).
Creo que Torch es comparable a Tensorflow en términos de objetivos de diseño, mientras que Caffe2 es una alternativa a Torch que compromete la flexibilidad de la investigación para optimizar el rendimiento y la fácil implementación.
Aquí hay un hilo en desarrollo de Reddit con comentarios del líder móvil de Tensorflow y el desarrollador principal de Caffe2 (que también fue autor de Caffe2 y trabajó en TF mientras estaba en Google):
[N] Facebook lanza un nuevo marco de aprendizaje profundo, Caffe 2 • r / MachineLearning
