Apache MXNet на AWS

Создавайте приложения машинного обучения, которые быстро обучаются и могут работать везде

Apache MXNet представляет собой быструю масштабируемую систему обучения и получения логических выводов с удобным и лаконичным API для машинного обучения.

MXNet включает в себя интерфейс Gluon, позволяющий разработчикам любой квалификации начать работу с технологиями глубокого обучения в облаке, на периферийных устройствах и в мобильных приложениях. С помощью всего нескольких строк кода Gluon можно создавать линейные регрессии, сверточные сети и рекуррентные сети с долгой краткосрочной памятью (LSTM) для обнаружения объектов, распознавания речи, выдачи рекомендаций и индивидуальной настройки.

Начать работу с MxNet на AWS можно с помощью полностью управляемого решения на базе Amazon SageMaker – платформе для создания, обучения и развертывания моделей машинного обучения в любом масштабе. Кроме того, можно воспользоваться AMI глубинного обучения AWS для создания пользовательских сред и рабочих процессов с использованием MxNet и других платформ, включая TensorFlow, PyTorch, Chainer, Keras, Caffe, Caffe2 и Microsoft Cognitive Toolkit.

Внести свой вклад в проект Apache MXNet

На странице проекта в GitHub можно найти образцы кода, комментарии и учебные материалы.

social-media-github

Преимущества глубокого обучения с использованием MXNet

Простота использования с интерфейсом Gluon

Библиотека Gluon MXNet предоставляет высокоуровневый интерфейс, который позволяет легко создавать прототипы, обучать и развертывать модели глубокого обучения без ущерба для скорости обучения. Gluon предлагает высокоуровневые абстракции для предопределенных слоев, функции потерь и оптимизаторы. Он также обеспечивает гибкую структуру, которая интуитивно понятна в работе и легко отлаживается.

Улучшенная производительность

Рабочие нагрузки глубокого обучения могут быть распределены между несколькими графическими процессорами практически с линейной масштабируемостью, а это означает, что даже с очень большими проектами можно справиться за меньшее время. Масштабирование выполняется автоматически в зависимости от количества графических процессоров в кластере. Разработчики также экономят время и повышают производительность за счет получения логических выводов на базе бессерверных и пакетных вычислений.

Для IoT и периферийных устройств

В дополнение к обучению с использованием нескольких графических процессоров и развертыванию сложных моделей в облаке MXNet создает упрощенные представления нейронных сетевых моделей, которые могут работать на маломощных периферийных устройствах, таких как Raspberry Pi, смартфон или ноутбук, и удаленно обрабатывать данные в режиме реального времени.

Гибкость и возможности выбора

MXNet поддерживает широкий спектр языков программирования, включая C++, JavaScript, Python, R, Matlab, Julia, Scala, Clojure и Perl, что позволяет начать работу, используя уже знакомые языки. Однако для обеспечения максимальной производительности на стороне сервера весь код компилируется на C++, независимо от того, какой язык используется при создании моделей.

Способность привлекать и удерживать клиентов

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

Примеры использования

В проект MXNet входит более 500 участников, включая разработчиков из Amazon, NVIDIA, Intel, Samsung и Microsoft. Узнайте о том, как клиенты используют MXNet для проектов глубокого обучения. Дополнительные примеры использования см. в блоге о машинном обучении AWS и блоге о MXNet.

Amazon SageMaker для машинного обучения

Подробнее об Amazon SageMaker

Amazon SageMaker – это полностью управляемый сервис, который позволяет разработчикам и специалистам по работе с данными быстро и просто создавать, обучать и развертывать модели машинного обучения в любом масштабе. Amazon SageMaker устраняет все типичные барьеры, которые останавливают разработчиков, стремящихся использовать машинное обучение.

Есть вопросы?
Свяжитесь с нами