Apache MXNet은 빠르고 확장 가능한 교육 및 추론 프레임워크로서 기계 학습을 위해 사용이 쉽고 간단한 API가 제공됩니다.
MXNet에는 Gluon 인터페이스가 포함되어 있으므로 모든 기술 수준의 개발자가 클라우드, 엣지 디바이스 및 모바일 앱에서 딥 러닝을 시작할 수 있습니다. Gluon 코드 몇 줄로 객체 감지, 음성 인식, 추천 및 개인화를 위한 선형 회귀, 컨벌루션 네트워크 및 반복 LSTM을 구축할 수 있습니다.
대규모로 기계 학습 모델을 구축, 교육 및 배포할 수 있는 플랫폼인 Amazon SageMaker를 사용하면 AWS에서 완전관리형 MXNet 환경을 시작할 수 있습니다. 또는 AWS Deep Learning AMI를 통해 TensorFlow 및 다른 인기 있는 프레임워크(TensorFlow, Caffe, Caffe2, Chainer, PyTorch, Keras, Microsoft Cognitive Toolkit 등)를 사용하도록 사용자 지정 환경과 워크플로를 구축할 수 있습니다.
MXNet를 사용한 딥 러닝의 이점
Gluon의 사용 편의성
MXNet의 Gluon 라이브러리는 교육 속도를 그대로 유지하면서 손쉽게 딥 러닝 모델의 프로토타입을 구축, 교육 및 배포할 수 있는 상위 수준의 인터페이스를 제공합니다. Gluon은 사전에 정의된 계층, 손실 함수, 최적화 프로그램을 위한 상위 수준의 추상화를 제공합니다. 또한, 직관적으로 작업하고 쉽게 디버깅할 수 있는 유연한 구조를 제공합니다.
뛰어난 성능
딥 러닝 워크로드는 선형에 가까운 확장성으로 여러 GPU로 분산될 수 있습니다. 즉, 매우 규모가 큰 프로젝트도 상대적으로 짧은 시간 내에 처리할 수 있습니다. 또한, 클러스터 내 GPU 수에 따라 규모 조정도 자동으로 수행됩니다. 개발자는 서버리스 및 배치 기반 추론을 실행하여 시간을 절약하고 생산성을 높일 수 있습니다.
IoT 및 엣지용
클라우드에서 여러 GPU 교육 및 복잡한 모델 배포를 처리하는 것 외에도 MXNet은 Raspberry Pi, 스마트폰 또는 노트북과 같은 저출력 엣지 디바이스에서 실행되어 데이터를 원격으로 처리할 수 있는 간단한 신경망 모델 표현을 생성합니다.
유연성 및 선택권
MXNet은 C++, JavaScript, Python, R, Matlab, Julia, Scala 및 Go를 비롯한 다양한 프로그래밍 언어를 지원하므로 이미 익숙한 언어로 시작할 수 있습니다. 하지만 모델을 구축할 때 사용된 언어의 종류와 관계없이 최대 성능을 내기 위해 백엔드에서는 모든 코드가 C++로 컴파일됩니다.
MXNet 사례 연구
Amazon, Apple, Samsung 및 Microsoft의 개발자를 비롯하여 400명 이상이 MXNet 프로젝트에 참여했습니다. MXNet 커뮤니티의 딥 러닝 프로젝트에 대해 자세히 알아보십시오.
기계 학습을 위한 Amazon SageMaker
Amazon SageMaker는 개발자 및 데이터 과학자가 모든 규모의 기계 학습 모델을 쉽고 빠르게 구축, 교육 및 배포할 수 있게 해주는 완전 관리형 서비스입니다. Amazon SageMaker는 기계 학습을 사용하려는 개발자가 일반적으로 빠른 속도를 내지 못하게 하는 모든 장벽을 제거합니다.
질문이 있으십니까?
문의처
