Apache MXNet - Apache MXNet
Deweloper (y) | Fundacja oprogramowania Apache |
---|---|
Wersja stabilna | 1.7.0 / 25 sierpnia 2020 r .
|
Magazyn | |
Napisane w | C ++ , Python , R , Java , Julia , JavaScript , Scala , Go , Perl |
System operacyjny | Windows , macOS , Linux |
Rodzaj | Biblioteka do uczenia maszynowego i głębokiego uczenia się |
Licencja | Licencja Apache 2.0 |
Stronie internetowej | mxnet |
Apache MXNet jest open-source głęboka nauka oprogramowanie ramy , używane do pociągu i wdrażać sieci neuronowych głęboko . Jest skalowalny, co pozwala na szybkie szkolenie modeli i obsługuje elastyczny model programowania i wiele języków programowania (w tym C ++ , Python , Java , Julia , Matlab , JavaScript , Go , R , Scala , Perl i Wolfram Language ).
Biblioteka MXNet jest przenośna i można ją skalować do wielu procesorów graficznych i wielu maszyn. MXNet jest obsługiwany przez dostawców chmury publicznej , w tym Amazon Web Services (AWS) i Microsoft Azure . Amazon wybrał MXNet jako preferowaną platformę uczenia głębokiego w AWS. Obecnie MXNet jest obsługiwany przez Intel , Baidu , Microsoft , Wolfram Research i instytucje badawcze, takie jak Carnegie Mellon , MIT , University of Washington i Hong Kong University of Science and Technology . Został opracowany wspólnie przez Carlosa Guestrina z University of Washington (wraz z GraphLab).
funkcje
Apache MXNet to szczupła, elastyczna i ultra-skalowalna platforma uczenia głębokiego, która obsługuje najnowocześniejsze modele głębokiego uczenia, w tym konwolucyjne sieci neuronowe (CNN) i sieci pamięci długoterminowej (LSTM).
Skalowalne
MXNet jest przeznaczony do dystrybucji w dynamicznej infrastrukturze chmury , przy użyciu rozproszonego serwera parametrów (na podstawie badań przeprowadzonych na Carnegie Mellon University , Baidu i Google ) i może osiągnąć niemal liniową skalę przy użyciu wielu procesorów graficznych lub procesorów .
Elastyczne
MXNet obsługuje zarówno programowanie imperatywne, jak i symboliczne, co ułatwia programistom przyzwyczajonym do programowania imperatywnego rozpoczęcie uczenia głębokiego. Ułatwia również śledzenie, debugowanie, zapisywanie punktów kontrolnych, modyfikowanie hiperparametrów , takich jak szybkość uczenia się lub wczesne zatrzymywanie .
Wiele języków
Obsługuje C ++ dla zoptymalizowanego zaplecza, aby uzyskać jak najwięcej dostępnego GPU lub procesora, oraz Python, R, Scala, Clojure, Julia, Perl, MATLAB i JavaScript dla prostego interfejsu dla programistów.
Przenośny
Obsługuje wydajne wdrażanie wyszkolonego modelu na urządzeniach niskiego poziomu w celu wnioskowania, takich jak urządzenia mobilne (przy użyciu Amalgamation), urządzenia Internetu rzeczy (przy użyciu AWS Greengrass), przetwarzanie bezserwerowe (przy użyciu AWS Lambda ) lub kontenery . Te słabsze środowiska mogą mieć tylko słabszy procesor lub ograniczoną pamięć (RAM) i powinny mieć możliwość korzystania z modeli, które zostały przeszkolone w środowisku wyższego poziomu (na przykład klaster oparty na GPU).