Azərbaycanca AzərbaycancaБеларускі БеларускіDansk DanskDeutsch DeutschEspañola EspañolaFrançais FrançaisIndonesia IndonesiaItaliana Italiana日本語 日本語Қазақ ҚазақLietuvos LietuvosNederlands NederlandsPortuguês PortuguêsРусский Русскийසිංහල සිංහලแบบไทย แบบไทยTürkçe TürkçeУкраїнська Українська中國人 中國人United State United StateAfrikaans Afrikaans
Підтримка
www.wikidata.uk-ua.nina.az

MXNet це програмне забезпечення для глибокого машинного навчанням з відкритим кодом яке використовується для навчання та

MXNet

MXNet

MXNet — це програмне забезпечення для глибокого машинного навчанням з відкритим кодом, яке використовується для навчання та розгортання глибоких нейронних мереж. Є масштабованим, дозволяє швидко навчатись моделям, підтримує гнучку модель програмування та декілька мов програмування (зокрема, , Python, Julia, Matlab, JavaScript, Go, R, Scala, Perl та [en]).

MXNet
ТипБібліотека для машинного та глибокого навчання
РозробникApache Software Foundation
Стабільний випуск (8 червня 2019; 5 років тому (2019-06-08))
Версії1.9.1 (10 травня 2022)[2]
Операційна системаWindows
Мова програмування[3]
Ліцензіяd[4] і Apache License
Репозиторійgithub.com/apache/incubator-mxnet
Вебсайтmxnet.readthedocs.org/en/latest/

MXNet бібліотека є портативною і може масштабуватися на декілька графічних процесорів і кілька машин. MXNet підтримується постачальниками громадськими хмарних послуг, включаючи Amazon Web Services (AWS) та Microsoft Azure. Amazon обрала MXNet як основу глибокого навчання на виборі на AWS. Наразі MXNet підтримується Intel, Baidu, Microsoft, Wolfram Research та такими науково-дослідними установами, як Карнегі Меллон, MIT, Вашингтонський університет та [en].

Особливості

Apache MXNet — це швидкий, гнучкий та надзвичайно масштабований фреймворк глибокого навчання, яка підтримує сучасні технології в моделях глибокого навчання, включаючи згорткові нейронні мережі (CNN) та мережі, які використовують довгу короткострокову пам'ять (LSTM).

Масштабованість

MXNet призначений для використання в динамічній хмарній інфраструктурі, використовуючи розподілений параметризований сервер (на основі досліджень проведених в університеті Карнегі Меллон, Байду та Google), і може досягти майже лінійного масштабування при використанні декількох графічних процесорів або центральних процесорів.

Гнучкість

MXNet підтримує як імперативне, так і символічне програмування, що полегшує розробникам, які звикли до імперативного програмування, розпочати з глибокого навчання. Це також полегшує відстеження, зневадження, збереження контрольних точок, зміну гіперпараметрів, таких як швидкість навчання або виконання ранньої зупинки.

Багатомовність

Підтримує C++ для оптимізованого бекенда, щоб отримати максимум доступних GPU або процесорів, також Python, R, Scala, Julia, Perl, MATLAB та JavaScript для більш простого інтерфейсу для розробників.

Портативність

Підтримує ефективне розгортання підготовленої моделі для пристроїв низького класу для обчислення висновку, таких як мобільні пристрої (з використанням Amalgamation), пристроїв інтернету речей (за допомогою AWS Greengrass), безсерверних обчислень (за допомогою AWS Lambda) або контейнерів. Ці середовища низького класу можуть мати лише слабший процесор або обмежену пам'ять (RAM), і вони повинні мати можливість використовувати моделі, які навчалися у середовищі вищого рівня (наприклад, у кластері на базі GPU).

Див. також

Примітки

  1. . Архів оригіналу за 9 грудня 2020. Процитовано 8 червня 2019.
  2. Release 1.9.1 — 2022.
  3. MXNet: A Flexible and Efficient Machine LearningLibrary for Heterogeneous Distributed Systems — 2015. — arXiv:1512.01274
    d:Track:Q22348174
  4. https://github.com/dmlc/mxnet
  5. . Архів оригіналу за 4 серпня 2017. Процитовано 13 травня 2017.
  6. . Amazon Web Services, Inc. Архів оригіналу за 24 червня 2017. Процитовано 13 травня 2017.
  7. . Microsoft TechNet Blogs. Архів оригіналу за 4 серпня 2017. Процитовано 6 вересня 2017.
  8. . www.allthingsdistributed.com. Архів оригіналу за 7 травня 2017. Процитовано 13 травня 2017.
  9. . Fortune. Архів оригіналу за 4 лютого 2017. Процитовано 13 травня 2017.
  10. (амер.). Архів оригіналу за 9 березня 2017. Процитовано 8 березня 2017.
  11. (PDF). Архів оригіналу (PDF) за 12 грудня 2014. Процитовано 8 жовтня 2014.
  12. . Архів оригіналу за 8 серпня 2018. Процитовано 18 серпня 2019.

Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет

MXNet ce programne zabezpechennya dlya glibokogo mashinnogo navchannyam z vidkritim kodom yake vikoristovuyetsya dlya navchannya ta rozgortannya glibokih nejronnih merezh Ye masshtabovanim dozvolyaye shvidko navchatis modelyam pidtrimuye gnuchku model programuvannya ta dekilka mov programuvannya zokrema C Python Julia Matlab JavaScript Go R Scala Perl ta en MXNetTipBiblioteka dlya mashinnogo ta glibokogo navchannyaRozrobnikApache Software FoundationStabilnij vipusk 8 chervnya 2019 5 rokiv tomu 2019 06 08 Versiyi1 9 1 10 travnya 2022 2 Operacijna sistemaWindowsMova programuvannyaC 3 Licenziyad 4 i Apache LicenseRepozitorijgithub com apache incubator mxnetVebsajtmxnet readthedocs org en latest MXNet biblioteka ye portativnoyu i mozhe masshtabuvatisya na dekilka grafichnih procesoriv i kilka mashin MXNet pidtrimuyetsya postachalnikami gromadskimi hmarnih poslug vklyuchayuchi Amazon Web Services AWS ta Microsoft Azure Amazon obrala MXNet yak osnovu glibokogo navchannya na vibori na AWS Narazi MXNet pidtrimuyetsya Intel Baidu Microsoft Wolfram Research ta takimi naukovo doslidnimi ustanovami yak Karnegi Mellon MIT Vashingtonskij universitet ta en OsoblivostiApache MXNet ce shvidkij gnuchkij ta nadzvichajno masshtabovanij frejmvork glibokogo navchannya yaka pidtrimuye suchasni tehnologiyi v modelyah glibokogo navchannya vklyuchayuchi zgortkovi nejronni merezhi CNN ta merezhi yaki vikoristovuyut dovgu korotkostrokovu pam yat LSTM Masshtabovanist MXNet priznachenij dlya vikoristannya v dinamichnij hmarnij infrastrukturi vikoristovuyuchi rozpodilenij parametrizovanij server na osnovi doslidzhen provedenih v universiteti Karnegi Mellon Bajdu ta Google i mozhe dosyagti majzhe linijnogo masshtabuvannya pri vikoristanni dekilkoh grafichnih procesoriv abo centralnih procesoriv Gnuchkist MXNet pidtrimuye yak imperativne tak i simvolichne programuvannya sho polegshuye rozrobnikam yaki zvikli do imperativnogo programuvannya rozpochati z glibokogo navchannya Ce takozh polegshuye vidstezhennya znevadzhennya zberezhennya kontrolnih tochok zminu giperparametriv takih yak shvidkist navchannya abo vikonannya rannoyi zupinki Bagatomovnist Pidtrimuye C dlya optimizovanogo bekenda shob otrimati maksimum dostupnih GPU abo procesoriv takozh Python R Scala Julia Perl MATLAB ta JavaScript dlya bilsh prostogo interfejsu dlya rozrobnikiv Portativnist Pidtrimuye efektivne rozgortannya pidgotovlenoyi modeli dlya pristroyiv nizkogo klasu dlya obchislennya visnovku takih yak mobilni pristroyi z vikoristannyam Amalgamation pristroyiv internetu rechej za dopomogoyu AWS Greengrass bezservernih obchislen za dopomogoyu AWS Lambda abo kontejneriv Ci seredovisha nizkogo klasu mozhut mati lishe slabshij procesor abo obmezhenu pam yat RAM i voni povinni mati mozhlivist vikoristovuvati modeli yaki navchalisya u seredovishi vishogo rivnya napriklad u klasteri na bazi GPU Div takozhPorivnyannya programnogo zabezpechennya glibokogo navchannya en Primitki Arhiv originalu za 9 grudnya 2020 Procitovano 8 chervnya 2019 Release 1 9 1 2022 MXNet A Flexible and Efficient Machine LearningLibrary for Heterogeneous Distributed Systems 2015 arXiv 1512 01274 d Track Q22348174 https github com dmlc mxnet Arhiv originalu za 4 serpnya 2017 Procitovano 13 travnya 2017 Amazon Web Services Inc Arhiv originalu za 24 chervnya 2017 Procitovano 13 travnya 2017 Microsoft TechNet Blogs Arhiv originalu za 4 serpnya 2017 Procitovano 6 veresnya 2017 www allthingsdistributed com Arhiv originalu za 7 travnya 2017 Procitovano 13 travnya 2017 Fortune Arhiv originalu za 4 lyutogo 2017 Procitovano 13 travnya 2017 amer Arhiv originalu za 9 bereznya 2017 Procitovano 8 bereznya 2017 PDF Arhiv originalu PDF za 12 grudnya 2014 Procitovano 8 zhovtnya 2014 Arhiv originalu za 8 serpnya 2018 Procitovano 18 serpnya 2019

Дата публікації:
Топ