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开始进行机器学习。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体验完全托管的 MXNet。您还能使用 AWS Deep Learning AMI 来构建自定义环境和工作流,从而使用 TensorFlow 或其他常见的框架,例如 TensorFlow、Caffe、Caffe2、Chainer、PyTorch、Keras 以及微软认知工具包。

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 和 Go,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。

MXNet 案例研究

为 MXNet 贡献力量的人员有 400 多名,其中包括来自 Amazon、Apple、Samsung 和 Microsoft 的开发人员。了解有关 MXNet 社区深度学习项目的更多信息。

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,使开发人员和数据科学家能够快速轻松地以任何规模构建、训练和部署机器学习模型。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