AWS 上的 Apache MXnet

构建可以快速训练并在任何位置运行的机器学习应用程序

Apache MXNet 是一种快速并且可扩展的训练与推理框架,附带简单易用的机器学习 API。

MXNet 采用 Gluon 接口,让各种技能水平的开发人员都可以在云、边缘设备和移动应用程序上进行深度学习。只需编写几行 Gluon 代码,您就可以构建线性回归、卷积网络和复现 LSTM,用于实现对象检测、语音识别、建议和个性化。

您可以在 AWS 上利用 Amazon SageMaker 这个可以大规模构建、训练和部署机器学习模型的平台开始使用具有完全托管体验的 MXNet。或者,您可以使用 AWS 深度学习 AMI,通过 MxNet 以及其他框架(包括 TensorFlow、PyTorch、Chainer、Keras、Caffe、Caffe2 和 Microsoft Cognitive Toolkit)来构建自定义环境和工作流程。

为 Apache MXNet 项目贡献力量

在 GitHub 项目页面上获取示例代码、手册和教程内容。

social-media-github

使用 MXNet 进行机器学习的优势

支持 Gluon,易于使用

MXNet 的 Gluon 库提供一个高级接口,让用户可以轻松创建、训练和部署机器学习模型,并且不影响训练速度。Gluon 可以针对预定义的层、损失函数和优化器提供高层抽象功能。它还具有灵活的结构,使用直观,易于调试。

性能更高

深度学习工作负载可以分布在具有近线性可扩展性的多个 GPU 中,这意味着可以在更短的时间内处理特别大的项目。而扩展会根据集群中的 GPU 数量自动进行。开发人员还可以批量运行无服务器的推断,从而节省时间并提高工作效率。

支持 IoT 和边缘设备

除了在云中处理多 GPU 训练和部署复杂模型之外,MXNet 还可以生成轻量级的神经网络模型,这些模型可以在 Raspberry Pi、智能手机或笔记本电脑等低功耗边缘设备上运行,并实时远程处理数据。

灵活性高,选择丰富

MXNet 支持大量编程语言,例如 C++、JavaScript、Python、R、Matlab、Julia、Scala、Clojure 和 Perl,因此您可以使用自己了解的语言开始工作。但是在后端,所有代码都以 C++ 编译,因此无论构建模型使用的是哪种语言,都能实现最高性能。

客户动力

Amazon
Banjo
Samsung_SDS
Celgene
CMU
Wolfram
200x100_NTT-DOCOMO_Logo
Nvidia-logo-01
Intel
Jam_City
Julia_Computing
Lohika
MNLAB_KAIST
Emory_NLP
PIXM
Borealis_AI
Cimpress
SPL_Seoul_National_University
Teamwork
tusimple-logo-100x50
Curalate
Logo-BEEVA
gumgum-logo
basler-logo
infer-logo
moqi-logo-150x50
bytedance-logo
eagleview-logo

案例研究

为 MXNet 项目贡献力量的人员有 500 多名,其中包括来自 Amazon、英伟达、英特尔、三星和微软公司的开发人员。了解更多有关客户如何使用 MXNet 开展深度学习项目的信息。有关更多案例研究,请参阅 AWS 机器学习博客MXNet 博客

用于机器学习的 Amazon SageMaker

详细了解 Amazon SageMaker

Amazon SageMaker 是一项完全托管的服务,可以帮助开发人员和数据科学家快速轻松地构建、训练和部署任何规模的机器学习模型。Amazon SageMaker 消除了通常会阻碍开发人员使用机器学习的所有障碍。

还有更多问题?
联系我们