AWS 上的 Apache MXNet

建立可快速訓練和隨處執行的機器學習應用程式

Apache MXNet 是快速且可擴展的訓練及推論架構,具備方便使用的簡潔 API 用於機器學習。

MXNet 包含 Gluon 界面,讓所有技能層級的開發人員都能開始在雲端、邊緣裝置和行動應用程式進行深度學習。只需要幾行 Gluon 程式碼,就能建立線性回歸、卷積網路和遞歸 LSTM,用於物件偵測、語音辨識、建議和個人化。

Amazon SageMaker 是一個大規模建立、訓練和部署機器學習模型的平台,您可以透過該平台的全受管 MXNet 體驗開始使用 AWS。或者,您也可以使用 AWS 深度學習 AMI 建立自訂環境和 TensorFlow 工作流程以及其他常用架構,例如 TensorFlow、Caffe、Caffe2、Chainer、PyTorch、Keras 及 Microsoft Cognitive Toolkit。

使 Apache MXNet 專案更加完善

在 GitHub 專案頁面取得範本程式碼、筆記本和教學內容。

social-media-github

使用 MXNet 進行深度學習的優勢

透過 Gluon 方便使用

MXNet 的 Gluon 程式庫提供高階界面,可讓您輕鬆打造原型、訓練和部署深度學習模型而不犧牲訓練速度。Gluon 提供預先定義層、損失函數和優化器的高階抽象,也提供直覺式使用和易於偵錯的彈性結構。

更佳的效能

深度學習工作負載可分散到多個具備近似線性可擴展性的 GPU,這表示可以用較少的時間處理龐大的專案。同時,會根據叢集中的 GPU 數量自動進行擴展。開發人員也可以透過執行無伺服器和批次推論節省時間並提高生產力。

適用於 IoT 和邊緣裝置

除了處理多 GPU 訓練和複雜的雲端模型部署之外,MXNet 還可產生輕量型神經網路模型表示,可在 Raspberry Pi、智慧型手機或筆記型電腦等低功率邊緣裝置上執行,並從遠端即時處理資料。

彈性和選擇性

MXNet 支援多種程式設計語言,包括 C++、JavaScript、Python、R、Matlab、Julia、Scala 和 Go,所以您可以透過已經熟悉的語言開始使用。不過,後端所有程式碼都是使用 C++ 進行編譯,無論使用哪種語言建立模型都能獲得最大的效能。

MXNet 案例研究

包含來自 Amazon、Apple、Samsung 和 Microsoft 的開發人員在內,共有超過 400 名參與者投入 MXNet 專案。進一步了解 MXNet 社群的深度學習專案。

適用於機器學習的 Amazon SageMaker

進一步了解 Amazon SageMaker

Amazon SageMaker 是全受管服務,可讓開發人員和資料科學家輕鬆快速地建立、訓練及部署任何規模的機器學習模型。Amazon SageMaker 掃除一切可能會阻礙開發人員使用機器學習的障礙。

還有其他問題嗎?
聯絡我們