MXNet — це програмне забезпечення для глибокого машинного навчанням з відкритим кодом, яке використовується для навчання та розгортання глибоких нейронних мереж. Є масштабованим, дозволяє швидко навчатись моделям, підтримує гнучку модель програмування та декілька мов програмування (зокрема, C++, Python, Julia, Matlab, JavaScript, Go, R, Scala, Perl та Wolfram Language[en]).
Тип | Бібліотека для машинного та глибокого навчання |
---|---|
Розробник | Apache Software Foundation |
Стабільний випуск | (8 червня 2019 ) |
Версії | 1.9.1 (10 травня 2022) |
Операційна система | Windows |
Мова програмування | C++ |
Ліцензія | Apache License, Version 2.0[d] і Apache License |
Репозиторій | github.com/apache/incubator-mxnet |
Вебсайт | mxnet.readthedocs.org/en/latest/ |
MXNet бібліотека є портативною і може масштабуватися на декілька графічних процесорів і кілька машин. MXNet підтримується постачальниками громадськими хмарних послуг, включаючи Amazon Web Services (AWS) та Microsoft Azure. Amazon обрала MXNet в якості основи глибокого навчання на виборі на AWS. Наразі MXNet підтримується Intel, Baidu, Microsoft, Wolfram Research[en] та такими науково-дослідними установами, як Карнегі Меллон, MIT, Вашингтонський університет та Гонконгський університет науки і техніки[en].
Особливості ред.
Apache MXNet — це швидкий, гнучкий та надзвичайно масштабований фреймворк глибокого навчання, яка підтримує сучасні технології в моделях глибокого навчання, включаючи згорткові нейронні мережі (CNN) та мережі, які використовують довгу короткострокову пам'ять (LSTM).
Масштабованість ред.
MXNet призначений для використання в динамічній хмарній інфраструктурі, використовуючи розподілений параметризований сервер (на основі досліджень проведених в університеті Карнегі Меллон, Байду та Google), і може досягти майже лінійного масштабування при використанні декількох графічних процесорів або центральних процесорів.
Гнучкість ред.
MXNet підтримує як імперативне, так і символічне програмування, що полегшує розробникам, які звикли до імперативного програмування, розпочати з глибокого навчання. Це також полегшує відстеження, зневадження, збереження контрольних точок, зміну гіперпараметрів, таких як швидкість навчання або виконання ранньої зупинки.
Багатомовність ред.
Підтримує C++ для оптимізованого бекенда, щоб отримати максимум доступних GPU або процесорів, також Python, R, Scala, Julia, Perl, MATLAB та JavaScript для більш простого інтерфейсу для розробників.
Портативність ред.
Підтримує ефективне розгортання підготовленої моделі для пристроїв низького класу для обчислення висновку, таких як мобільні пристрої (з використанням Amalgamation), пристроїв інтернету речей (за допомогою AWS Greengrass), безсерверних обчислень (за допомогою AWS Lambda) або контейнерів. Ці середовища низького класу можуть мати лише слабший процесор або обмежену пам'ять (RAM), і вони повинні мати можливість використовувати моделі, які навчалися у середовищі вищого рівня (наприклад, у кластері на базі GPU).
Див. також ред.
- Порівняння програмного забезпечення глибокого навчання
- Диференційовне програмування[en]
Примітки ред.
- . Архів оригіналу за 9 грудня 2020. Процитовано 8 червня 2019.
- Release 1.9.1 — 2022.
- ↑ MXNet: A Flexible and Efficient Machine LearningLibrary for Heterogeneous Distributed Systems — 2015. — arXiv:1512.01274
- https://github.com/dmlc/mxnet
- . Архів оригіналу за 4 серпня 2017. Процитовано 13 травня 2017.
- . Amazon Web Services, Inc. Архів оригіналу за 24 червня 2017. Процитовано 13 травня 2017.
- . Microsoft TechNet Blogs. Архів оригіналу за 4 серпня 2017. Процитовано 6 вересня 2017.
- . www.allthingsdistributed.com. Архів оригіналу за 7 травня 2017. Процитовано 13 травня 2017.
- . Fortune. Архів оригіналу за 4 лютого 2017. Процитовано 13 травня 2017.
- (амер.). Архів оригіналу за 9 березня 2017. Процитовано 8 березня 2017.
- . Архів оригіналу за 12 грудня 2014. Процитовано 8 жовтня 2014.
- . Архів оригіналу за 8 серпня 2018. Процитовано 18 серпня 2019.