Apache MXNet Deep Learning добавляет Julia API


Выпущена обновленная версия библиотеки Apache Deep Learning. Улучшения в MXNet 1.4.0 включают привязки Java для вывода и привязки Julia.

MXNet – это платформа глубокого обучения с открытым исходным кодом, используемая для обучения и развертывания глубоких нейронных сетей. Он масштабируемый, что позволяет быстро обучать модели, и поддерживает гибкую модель программирования и несколько языков (C ++, Python, Julia, Clojure, JavaScript, R, Scala).
В глубоких нейронных сетях исследователи разбивают искусственные нейроны на слои, и нейроны в одном слое получают входные данные от нейронов нижележащих слоев. Библиотеки ускорения, такие как MXNet, призваны упростить разработчикам полное использование графических процессоров и облачных вычислений при разработке таких систем. Разработчики MXNet говорят, что в других известных стеках научных вычислений, таких как Matlab, R или NumPy & SciPy, отсутствует простой способ в полной мере использовать распределенные ресурсы.

Напротив, MXNet была разработана для поддержки размещения устройств, поэтому вы можете указать, где должны храниться структуры данных в распределенной системе. Он также поддерживает обучение с использованием нескольких графических процессоров и предопределенные слои, оптимизированные по скорости. Библиотека также предлагает автоматическую дифференциацию. Это означает, что MXNet автоматизирует производные вычисления.
В новом выпуске MXNet (который все еще является проектом Apache Incubating) добавлены новые высокоуровневые API-интерфейсы Java Inference для выполнения прогнозов на Java с моделями глубокого обучения, обученными с помощью MXNet. Это упрощает производственное развертывание моделей Apache MXNet для корпоративных систем, работающих на Java.
Новый выпуск также включает в себя Julia API, который обеспечивает эффективное вычисление тензора на нескольких устройствах, включая несколько процессоров, графических процессоров и распределенных серверных узлов.
К другим улучшениям относятся операторы потока управления, которые можно использовать для преобразования динамических графов нейронной сети в оптимизированные графы статических вычислений. Также было включено автоматическое управление памятью JVM, и Apache MXNet теперь поддерживает распределенное обучение с использованием инфраструктуры Horovod. Horovod – это распределенный фреймворк с открытым исходным кодом, созданный в Uber. Также был добавлен новый API-интерфейс Subgraph, что означает, что MXNet может интегрировать различные виды серверных библиотек, такие как TVM, MKLDNN, TensorRT и Intel nGraph.


Добавить комментарий