オープンソースのAI・人工知能／Caffeとは

「Caffe」基本情報

■概要

Caffe(カフェ)とは、オープンソースのディープラーニングライブラリです。画像認識に特化しており、高速処理が可能です。

■基本説明

C++で実装されています。C++/Python/MATLABで使用できます。

「高速動作」「GPU対応」「洗練されたアーキテクチャ/ソースコード」「開発コミュニティが活発」などの特徴があります。

■経緯

Yangqing Jia氏が、カリフォルニア大学バークレー校博士課程在籍中に開発がスタートしました。

その後、カリフォルニア大学バークレー校の「コンピュータビジョンおよび機械学習に関する研究センター(Berkeley Vision and Learning Center)」が中心となって開発しています。

ヤフージャパンは、2014年6月から同センターのスポンサーとなり、Caffe開発の支援を行っています。

■オフィシャルサイト情報

オフィシャルサイト

→Caffe(Caffe | Deep Learning Framework)

ライセンス情報

Caffeのライセンスは「BSDライセンス」です。

詳細について、こちらを参照ください。
→GitHub　→BVLC/caffe　→caffe/LICENSE

ダウンロード

→Caffe　→Installation

■同様製品

同様な機能を提供する製品として、次のようなものがあります。

オープンソース製品：「TensorFlow」「​Chainer」「Keras」など。

「Caffe」の主な特徴

■畳み込みニューラルネットワーク「CNN」

Caffeは、畳み込みニューラルネットワーク「CNN(Convolution Neural Network)」を利用しています。

CNNとは、ディープラーニング技術の1つです。全結合していない順伝播型ニューラルネットワークで、畳み込み層を通常の活性化関数でつないでいく手法です。

全結合しているニューラルネットワークに比べて高速に学習を行えるメリットがあります。

■GPU対応

CaffeはGPUを利用できます。GPUを利用して高速で動作させるためにNVIDIAのCUDA(Compute Unified Device Architecture)が必要です。

CUDAとは、NVIDIAが提供する並列コンピューティングアーキテクチャです。GPU向けC言語統合開発環境で、コンパイラ/ライブラリなどで構成されています。CUDAは、NVIDIA製ハードウェア(GPU)性能を最大限引き出せるように設計されており、計算処理能力を劇的に向上できます。

CaffeはCPUのみでの使用も可能です。

■高速処理

Python用数値計算ライブラリ「Theano」と「Caffe」のスピード比較において、「Theano」で約56分かかる処理を「Caffe」では約4分で完了できたというテスト結果も報告されています。

■高精度画像識別

画像識別に関する論文において、高精度を出した論文にCaffeを利用した研究が数多く報告されています。

■学習済モデル配布フレームワーク「Caffe Model Zoo」

Caffeには、学習済モデル配布フレームワーク「Caffe Model Zoo」があります。ネットワーク定義を1から作成しなくても、リファレンスモデルを使用して処理を実行できます。

大規模画像認識コンテスト「ILSVRC 2012」でトップとなった、畳込みニューラルネットワーク画像分類モデルをすぐに利用できます。

→Caffe　→Caffe Model Zoo

■ドキュメントが充実

Caffeを紹介する記事は多く、公式ドキュメントも充実しています。

「Caffe」の主な機能

■Caffeがサポートしている主な機能

・CNNを利用した画像の多クラス分類
・CNNによる特徴ベクトルの抽出
・CNNの転移学習
・Stacked Auto Encoder　など

■言語インターフェース

Caffeは、コア言語として「C++」で実装されています。

インターフェースとして「C++」「Python」「MATLAB」などを利用できます。

■数値解析ソフトウェア「MATLAB」

「MATLAB」とは、数値解析ソフトウェア(プログラミング言語)です。

「行列計算機能」「関数とデータの可視化機能」「アルゴリズム開発機能」「グラフィカルインターフェース」「他言語(C/C++/Java/Python)とのインターフェース」などの機能を有しています。

「Caffe」の基本的な使い方

■①ネットワーク定義

設定ファイル(lenet_train_test.prototxt)に、処理順番(Convolution層/Pooling層など)とパラメータ設定を定義します。

JSONのような形式で、レイヤーごとに分けて記載します。

■②solver定義

重みの学習方法を設定するための「solver定義ファイル」を作成します。

■③コマンドで学習を開始

コマンドで学習を開始します。