AWS 기반 Apache MXnet

빠르게 교육하고 어디서나 실행할 수 있는 기계 학습 애플리케이션을 구축

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.

Apache MXNet 프로젝트에 참여하기

GitHub에 참여하기

GitHub 프로젝트 페이지에서 샘플 코드, 노트북 및 자습서 콘텐츠를 확인하십시오.

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.

TuSimple는 자율주행자를 위한 지능을 구축합니다.

GumGum은 Caffe와 비교하여 MXNet 성능을 벤치마킹합니다.

SigOpt는 컨벌루션 신경망 교육을 가속화합니다.

기계 학습을 위한 Amazon SageMaker

Amazon SageMaker에 대해 자세히 알아보기

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

May	JUN	Jul
	14
2017	2018	2019