Apache MXNet on AWS

สร้างแอปพลิเคชันที่ทำงานด้วย Machine Learning เพื่อให้เครื่องฝึกฝนอย่างรวดเร็วและรันบนอุปกรณ์ใดก็ได้

Apache MXNet เป็นกรอบงานด้านการฝึกฝนและการอนุมานที่รวดเร็วและปรับขนาดได้ โดยมี API ที่ใช้งานง่ายและทำงานรวดเร็วซึ่งอาศัยการทำงานของระบบ Machine Learning

MXNet มีอินเทอร์เฟซ Gluon ที่ช่วยให้นักพัฒนาที่มีทักษะความเชี่ยวชาญในระดับต่างๆ เริ่มต้นใช้งานดีปเลิร์นนิ่งบนระบบคลาวด์ อุปกรณ์ที่ใช้ระบบ Edge และแอปมือถือได้ เพียงป้อนโค้ด Gluon ไม่กี่บรรทัด คุณก็สามารถสร้างสถิติความสัมพันธ์เชิงเส้น โครงข่ายแบบสังวัตนาการ และ LSTM แบบวนซ้ำเพื่อตรวจหาวัตถุ รู้จำเสียงพูด ให้คำแนะนำ และอนุญาตให้ปรับให้เหมาะกับแต่ละบุคคลได้

คุณสามารถเริ่มต้นใช้งาน MxNet บน AWS โดยมีประสบการณ์ที่ได้รับการจัดการอย่างเต็มรูปแบบโดยใช้ Amazon SageMaker แพลตฟอร์มนี้มีไว้สร้าง ฝึกฝน และปรับใช้โมเดล Machine Learning ได้ตามต้องการ หรือคุณสามารถใช้ AWS Deep Learning AMI ในการสร้างสภาพแวดล้อมและลำดับงานแบบกำหนดเองด้วย MxNet รวมถึงกรอบงานอื่นๆ เช่น TensorFlow, PyTorch, Chainer, Keras, Caffe, Caffe2 และ Microsoft Cognitive Toolkit

มีส่วนร่วมในโพรเจกต์ Apache MXNet

มีส่วนร่วมที่ GitHub

รับโค้ดตัวอย่าง เอกสาร Notebook และเนื้อหาบทแนะนำสอนการใช้งานในหน้าโพรเจกต์ GitHub

ประโยชน์ของ Deep Learning โดยใช้ MXNet

ใช้งานง่ายเพราะมี Gluon

ไลบรารี Gluon ของ MXNet มีอินเทอร์เฟซระดับสูงที่ช่วยให้สร้างต้นแบบ ฝึกฝน และปรับใช้โมเดล Deep Learning ได้โดยไม่ต้องลดความเร็วในการฝึกฝน Gluon มีการกำหนดสาระสำคัญในระดับสูงของเลเยอร์ ฟังก์ชันค่าใช้จ่าย และตัวเพิ่มประสิทธิภาพที่กำหนดไว้ล่วงหน้า นอกจากนี้ ยังมีโครงสร้างที่ยืดหยุ่นซึ่งทำงานได้อย่างมีประสิทธิภาพและแก้ไขข้อผิดพลาดได้ง่าย

ประสิทธิภาพมากกว่าเดิม

ปริมาณงาน Deep Learning สามารถกระจายใน GPU หลายตัวซึ่งสามารถปรับขนาดเพื่อรองรับการทำงานได้ในแบบที่เกือบจะเป็นเส้นตรง กรณีนี้หมายความว่า ระบบสามารถรับมือกับโพรเจกต์ขนาดใหญ่มากได้โดยใช้เวลาน้อยลง นอกจากนี้ การปรับขนาดยังเป็นไปโดยอัตโนมัติ โดยขึ้นอยู่กับจำนวน GPU ในคลัสเตอร์ Developer ยังประหยัดเวลาและเพิ่มประสิทธิภาพในการทำงานได้โดยรันการอนุมานแบบไร้เซิร์ฟเวอร์และใช้แบตช์เป็นหลัก

สำหรับ IoT และ Edge

นอกจากจะจัดการการฝึกฝนโดยใช้ GPU หลายตัวและปรับใช้โมเดลที่ซับซ้อนในระบบคลาวด์แล้ว MXNet ยังสร้างระบบแสดงแทนโมเดลเครือข่ายเส้นประสาทแบบเบาซึ่งสามารถรันบนอุปกรณ์ที่ใช้ระบบ Edge และใช้พลังงานไฟฟ้าต่ำ เช่น Raspberry Pi สมาร์ทโฟน หรือแล็ปท็อป และประมวลผลข้อมูลจากระยะไกลได้ในแบบเรียลไทม์

ความยืดหยุ่นและทางเลือก

MXNet รองรับภาษาในการเขียนโปรแกรมหลากหลายภาษา รวมถึง C++, JavaScript, Python, R, Matlab, Julia, Scala, Clojure, and Perl คุณจึงสามารถเริ่มต้นด้วยภาษาที่คุณรู้อยู่แล้วได้ อย่างไรก็ตาม ในแบ็คเอนด์ โค้ดทั้งหมดจะได้รับการคอมไพล์เป็นภาษา C++ เพื่อให้ทำงานได้อย่างมีประสิทธิภาพมากที่สุด ไม่ว่าคุณจะใช้ภาษาใดในการสร้างโมเดล

ความสำเร็จอย่างต่อเนื่องที่ได้จากลูกค้า

กรณีศึกษา

ผู้ที่มีส่วนเกี่ยวข้องกับโปรเจกต์ MXNet มีอยู่มากกว่า 500 รายซึ่งรวมถึง Developer จาก Amazon, NVIDIA, Intel, Samsung และ Microsoft เรียนรู้เกี่ยวกับวิธีที่ลูกค้าใช้ MXNet สำหรับโปรเจกต์การเรียนรู้เชิงลึก ดูกรณีศึกษาเพิ่มเติมที่บล็อก Machine Learning และบล็อก MXNet ของ AWS

ใช้ Deep Learning เพื่อลดการสูญเสียทรัพย์สินที่เสียหายจากภัยพิบัติทางธรรมชาติ

Celgene ก้าวหน้าเรื่องการวิจัยและค้นพบยาด้วยความช่วยเหลือของ AI บน MXNet

Curalate ทำการขายผ่านโซเชียลด้วย AI ที่ใช้ Apache MXNet บน AWS

Amazon SageMaker สำหรับ Machine Learning

เรียนรู้เพิ่มเติมเกี่ยวกับ Amazon SageMaker

Amazon SageMaker เป็นบริการที่ได้รับการจัดการอย่างเต็มรูปแบบซึ่งช่วยให้ Developer และ Data Scientist สามารถสร้าง ฝึก และปรับใช้โมเดลของ Machine Learning ทุกขนาดได้อย่างรวดเร็วและง่ายดาย Amazon SageMaker ขจัดปัญหาและอุปสรรคทั้งหมดที่มักขัดขวาง Developer ที่ต้องการใช้ Machine Learning

มีคำถามเพิ่มเติมหรือไม่

ติดต่อเรา