Apache MXNet in AWS

Crea applicazioni di apprendimento automatico veloci da addestrare ed eseguibili in diversi ambienti

Apache MXNet è un framework di addestramento e inferenza veloce e scalabile con un'API concisa e facile da usare per il Machine Learning.

MXNet include l'interfaccia Gluon, che permette agli sviluppatori a qualsiasi livello di competenza di iniziare con il deep learning su cloud, dispositivi periferici e app per dispositivi mobili. Sono sufficienti poche righe di codice Gluon per creare regressione lineare, reti convoluzionali e reti LSTM ricorrenti per il rilevamento di oggetti, il riconoscimento vocale, le raccomandazioni e la personalizzazione.

Per iniziare a utilizzare MXNet su AWS con un'esperienza completamente gestita è possibile utilizzare Amazon SageMaker, una piattaforma con cui creare, addestrare e distribuire modelli di Machine Learning in modo scalabile. È anche possibile utilizzare le AMI AWS Deep Learning per creare ambienti e flussi di lavoro personalizzati con MXNet e altri framework, quali, ad esempio, TensorFlow, PyTorch, Chainer, Keras, Caffe, Caffe2 e Microsoft Cognitive Toolkit.

Contribuisci al progetto Apache MXNet

Ottieni codice di esempio, notebook e tutorial nella pagina di progetto di GitHub.

social-media-github

Vantaggi dell'apprendimento approfondito con MXNet

Facilità di utilizzo con Gluon

La libreria Gluon di MXNet offre un'interfaccia di alto livello che semplifica prototipazione, addestramento e distribuzione di modelli di apprendimento approfondito senza sacrificare la velocità di addestramento. Gluon offre un livello di astrazione elevato per layer predefiniti, funzioni di perdita e sistemi di ottimizzazione. Inoltre, fornisce una struttura flessibile e intuitiva, di cui è semplice eseguire il debug.

Prestazioni elevate

I carichi di lavoro di apprendimento approfondito possono essere distribuiti su diverse GPU mediante scalabilità non lineare, grazie alla quale è possibile gestire progetti di grandissime dimensioni in minor tempo. Inoltre, la scalabilità sarà applicata in automatico a seconda del numero di GPU in un cluster. Gli sviluppatori potranno anche risparmiare tempo e miglioreranno la produttività eseguendo inferenze serverless basate su batch.

Per IoT e dispositivi edge

Oltre a gestire addestramento su più GPU e distribuzione di modelli complessi nel cloud, MXNet produce rappresentazioni di modelli di reti neurali leggere che possono essere eseguite su dispositivi edge poco potenti quali Raspberry Pi, smartphone o laptop ed elaborare dati in remoto in tempo reale.

Flessibilità e scelta

MXNet supporta un'ampia gamma di linguaggi di programmazione, tra cui C++, JavaScript, Python, R, Matlab, Julia, Scala, Clojure e Perl, per poter iniziare a utilizzare il servizio con un linguaggio già familiare. A livello di back-end, tuttavia, tutto il codice viene compilato in C++ per ottenere le migliori prestazioni possibili indipendentemente dalla sintassi utilizzata per la creazione dei modelli.

Momento dei clienti

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

Casi di studio

Il progetto MXNet può contare oltre 500 contributor, molti dei quali sono sviluppatori di Amazon, NVIDIA, Intel, Samsung e Microsoft. Scopri come i clienti utilizzano MXNet per progetti di deep learning. Per altri casi di studio consulta il blog sull’apprendimento automatico di AWS e il blog MXNet.

Amazon SageMaker per machine learning

Scopri di più sulle caratteristiche di Amazon SageMaker

Amazon SageMaker è un servizio completamente gestito che consente a data scientist e sviluppatori di creare, formare e distribuire in modo rapido e semplice modelli di apprendimento automatico su vasta scala. Amazon SageMaker rimuove tutti gli ostacoli che normalmente rallentano gli sviluppatori che desiderano utilizzare l'apprendimento automatico.

Hai altre domande?
Contattaci