Apache MXNet на AWS

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

Попробуйте образы AWS Deep Learning AMI

Apache MXNet представляет собой быструю масштабируемую систему обучения и получения логических выводов с простым в использовании компактным API для машинного обучения.

MXNet включает в себя интерфейс Gluon, позволяющий разработчикам любой квалификации начать работать с глубоким обучением 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.

Начните работу с MXNet и Gluon на AWS, запустив образ AWS Deep Learning AMI, доступный в нескольких версиях для Amazon Linux и Ubuntu.

Внести свой вклад в проект Apache MXNet
Используйте в работе GitHub

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 и Go, 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.

Примеры использования MXNet

В проект MXNet входит более 400 участников, включая разработчиков из Amazon, Apple, Samsung и Microsoft. Подробнее о проектах глубокого обучения сообщества MXNet.

Публикации в блогах и статьи

seb-coreML
Себастьян Менант и Прачеер Гупта
6 сентября 2017 г.
mu_li_100
Му Ли
6 октября 2017 г.

Начало работы с MXNet на AWS

icon1

Зарегистрировать аккаунт AWS

Получите мгновенный доступ к сервисам AWS.

icon2

Получить AWS Deep Learning AMI

Выберите AMI и тип инстанса, подходящие для вашего проекта.

icon3

Начните разработку с MXNet

Начните разработку с помощью этих простых учебных пособий.

Ознакомьтесь с глубоким обучением на платформе AWS

С помощью AWS Deep Learning AMI можно обучать собственные модели, экспериментировать с новыми алгоритмами, изучать новые методики глубокого обучения и приобретать связанные навыки. Существует несколько вариантов образов AMI, в том числе с предустановленными платформами глубокого обучения с открытым исходным кодом Apache MXNet и Gluon, TensorFlow, Microsoft Cognitive Toolkit, Caffe, Caffe2, Theano, Torch, PyTorch и Keras. Дополнительная плата за использование AMI не взимается – вы платите только за ресурсы AWS, необходимые для хранения данных и работы приложений. Подробнее >

Готовы приступить к разработке?
Попробуйте образы AWS Deep Learning AMI
Есть вопросы?
Свяжитесь с нами