Apache MXNet di AWS

Bangun aplikasi machine learning yang melatih dengan cepat dan berjalan di mana saja

Apache MXNet merupakan kerangka kerja pelatihan dan inferensi yang dapat diskalakan dengan API yang mudah digunakan dan ringkas untuk machine learning.

MXNet menyertakan antarmuka Gluon yang memungkinkan pengembang dari semua level keterampilan untuk memulai dengan deep learning di cloud, perangkat edge, dan aplikasi seluler. Dalam beberapa baris kode Gluon saja, Anda dapat membangun regresi linear, jaringan konvolusional, dan LSTM berulang untuk pendeteksian objek, pengenalan ucapan, rekomendasi, dan personalisasi.

Anda dapat memulai dengan MxNet di AWS dengan pengalaman yang dikelola sepenuhnya menggunakan Amazon SageMaker, platform untuk membangun, melatih, dan menerapkan model machine learning pada skala. Atau, Anda dapat menggunakan AWS Deep Learning AMI untuk membangun lingkungan dan alur kerja khusus dengan MxNet dan kerangka kerja lainnya termasuk TensorFlow, PyTorch, Chainer, Keras, Caffe, Caffe2, Chainer, dan Microsoft Cognitive Toolkit.

Berkontribusi untuk Proyek Apache MXNet

Ambil kode sampel, notebook, dan konten tutorial di halaman proyek GitHub.

Keuntungan deep learning menggunakan MXNet

Kemudahan dalam Penggunaan dengan Gluon

Perpustakaan Gluon dari MXNet menyediakan antarmuka tingkat tinggi yang memudahkan untuk membuat purwarupa, melatih, dan menerapkan model deep learning tanpa mengorbankan kecepatan pelatihan. Gluon menawarkan abstraksi tingkat tinggi untuk lapisan yang ditetapkan di wal, kehilangan fungsi, dan pengoptimal. Ia juga menyediakan struktur fleksibel yang intuitif untuk digunakan dalam pekerjaan dan mudah untuk melakukan debug.

Kinerja yang Lebih Besar

Beban kerja deep learning dapat didistribusikan di seluruh beberapa GOU dengan skalabilitas mendekati linear, yang artinya, proyek yang sangat besar dapat ditangani dalam waktu yang lebih singkat. Demikian juga, penskalaan dilakukan secara otomatis tergantung pada jumlah GPU yang ada di dalam suatu klaster. Pengembang juga menghemat waktu dan meningkatkan produktivitas dengan menjalankan inferensi tanpa server dan berbasis batch.

Untuk IoT & Edge

Selain untuk menangani pelatihan multi-GPU dan penerapan model kompleks di cloud, MXNet menghasilkan representasi model jaringan neural ringan yang dapat dijalankan pada perangkat edge berdaya rendah seperti Raspberry Pi, smartphone, atau laptop dan memproses data dari jarak jauh secara real-time.

Fleksibilitas & Pilihan

MXNet mendukung serangkaian bahasa pemrograman yang luas–termasuk C++, JavaScript, Python, R, Matlab, Julia, Scala, Clojure, dan Perl–sehingga Anda dapat memulai dengan bahasa yang sudah Anda ketahui. Akan tetapi, di backend, semua kode dikompilasi dalam C++ untuk kinerja terbaik tanpa memerhatikan bahasa yang digunakan untuk membangun model tersebut.

Momentum pelanggan

Cimpress
logo beeva horizontal1

Studi kasus

Terdapat lebih dari 500 kontributor untuk proyek MXNet termasuk pengembang dari Amazon, NVIDIA, Intel, Samsung, dan Microsoft. Pelajari tentang bagaimana pelanggan menggunakan MXNet untuk proyek deep learning. Untuk studi kasus lainnya, lihat blog AWS machine learning dan blog MXNet.

Amazon SageMaker untuk machine learning

Pelajari selengkapnya tentang Amazon SageMaker

Amazon SageMaker merupakan layanan yang dikelola sepenuhnya yang memungkinkan pengembang dan ilmuwan data untuk membangun, melatih, dan menyebarkan model machine learning pada skala apa pun. Amazon SageMaker menghapus semua barier yang umumnya memperlambat pengembang yang ingin menggunakan machine learning.

Ada pertanyaan lagi?
Hubungi kami