Apache MXNet on AWS

สร้างแอปพลิเคชันที่ทำงานด้วย Machine Learning เพื่อให้เครื่องฝึกฝนอย่างรวดเร็วและทำงานบนอุปกรณ์ใดก็ได้

ลองใช้ Amazon SageMaker

Apache MXNet เป็นกรอบงานด้านการฝึกฝนและการอนุมานที่รวดเร็วและปรับขยายระบบได้ โดยมี API ที่ใช้งานง่ายและทำงานรวดเร็วซึ่งอาศัยการทำงานของระบบ Machine Learning

MXNet มีอินเทอร์เฟซ Gluon ที่ช่วยให้ Developer ที่มีทักษะความเชี่ยวชาญในระดับต่างๆ เริ่มต้นใช้งานการเรียนรู้เชิงลึกบนคลาวด์ อุปกรณ์ที่ใช้ระบบ Edge และแอปมือถือได้ เพียงป้อนโค้ด Gluon ไม่กี่บรรทัด คุณก็สามารถสร้างสถิติความสัมพันธ์เชิงเส้น โครงข่ายแบบสังวัตนาการ และ LSTM แบบวนซ้ำเพื่อตรวจหาวัตถุ รู้จำเสียงพูด ให้คำแนะนำ และอนุญาตให้ปรับให้เหมาะกับแต่ละบุคคลได้

คุณสามารถเริ่มต้นใช้งาน AWS ที่สามารถจัดการ MXNet ได้อย่างเต็มที่โดยใช้ Amazon SageMaker แพลตฟอร์มนี้มีไว้สร้าง ฝึกฝน และปรับใช้โมเดล Machine Learning ได้ตามต้องการ หรือคุณสามารถใช้ AWS Deep Learning AMI ในการสร้างสภาพแวดล้อมและลำดับงานแบบกำหนดเองด้วย TensorFlow และเฟรมเวิร์กอื่นๆ ที่ได้รับความนิยม เช่น TensorFlow, Caffe, Caffe2, Chainer, PyTorch, Keras และ Microsoft Cognitive Toolkit

มีส่วนร่วมในโพรเจกต์ Apache MXNet
มีส่วนร่วมที่ GitHub

รับโค้ดตัวอย่าง เอกสาร Notebook และเนื้อหาบทแนะนำสอนการใช้งานในหน้าโพรเจกต์ GitHub

social-media-github

ประโยชน์ของการเรียนรู้เชิงลึกโดยใช้ MXNet

ใช้งานง่ายเพราะมี Gluon

ไลบรารี Gluon ของ MXNet มีอินเทอร์เฟซระดับสูงที่ช่วยให้สร้างต้นแบบ ฝึกฝน และปรับใช้โมเดลการเรียนรู้เชิงลึกได้โดยไม่ต้องลดความเร็วในการฝึกฝน Gluon มีการกำหนดสาระสำคัญในระดับสูงของเลเยอร์ ฟังก์ชันค่าใช้จ่าย และตัวเพิ่มประสิทธิภาพที่กำหนดไว้ล่วงหน้า นอกจากนี้ยังมีโครงสร้างที่ยืดหยุ่นซึ่งทำงานได้อย่างมีประสิทธิภาพและแก้ไขข้อผิดพลาดได้ง่าย

ประสิทธิภาพมากกว่าเดิม

ระบบสามารถแจกจ่ายงานในการเรียนรู้เชิงลึกไปให้ GPU หลายตัวซึ่งสามารถขยายระบบเพื่อรองรับการทำงานได้ในแบบที่เกือบจะเป็นเส้นตรง กรณีนี้หมายความว่า ระบบสามารถรับมือกับโพรเจกต์ขนาดใหญ่มากได้โดยใช้เวลาน้อยลง นอกจากนี้การปรับขยายระบบยังเป็นไปโดยอัตโนมัติ โดยขึ้นอยู่กับจำนวน GPU ในคลัสเตอร์ Developer ยังประหยัดเวลาและเพิ่มความสามารถในการผลิตงานได้โดยเรียกใช้การอนุมานที่ใช้แบตช์และไม่ต้องใช้เซิร์ฟเวอร์

สำหรับ IoT และ Edge

นอกจากจะจัดการการฝึกฝนโดยใช้ GPU หลายตัวและปรับใช้โมเดลที่ซับซ้อนในคลาวด์แล้ว MXNet ยังสร้างโมเดลโครงข่ายเส้นประสาทแบบเบาซึ่งสามารถทำงานบนอุปกรณ์ที่ใช้ระบบ Edge และใช้พลังงานไฟฟ้าต่ำ เช่น Raspberry Pi สมาร์ทโฟน หรือแล็ปท็อป และประมวลผลข้อมูลจากระยะไกลได้ในแบบเรียลไทม์

ความยืดหยุ่นและทางเลือก

MXNet รองรับภาษาในการเขียนโปรแกรมหลากหลายภาษา รวมถึง C++, JavaScript, Python, R, Matlab, Julia, Scala และ Go คุณจึงสามารถเริ่มต้นเขียนโปรแกรมโดยใช้ภาษาที่คุณรู้อยู่แล้วได้ อย่างไรก็ตาม ในแบ็คเอนด์ โค้ดทั้งหมดจะได้รับการคอมไพล์เป็นภาษา C++ เพื่อให้ทำงานได้อย่างมีประสิทธิภาพมากที่สุด ไม่ว่าคุณจะใช้ภาษาใดในการสร้างโมเดล

ความสำเร็จอย่างต่อเนื่องที่ได้จากลูกค้า

Amazon
Banjo
Samsung_SDS
Celgene
CMU
Wolfram
200x100_NTT-DOCOMO_Logo
Gum_Gum
Intel
Jam_City
Julia_Computing
Lohika
MNLAB_KAIST
Emory_NLP
PIXM
Borealis_AI
Sigopt
SPL_Seoul_National_University
Teamwork
Tusimple
Curalate

กรณีศึกษา

ผู้ที่มีส่วนเกี่ยวข้องกับโพรเจกต์ MXNet มีอยู่มากกว่า 400 รายซึ่งรวมถึง Developer จาก Amazon, Apple, Samsung และ Microsoft ด้วย เรียนรู้เพิ่มเติมเกี่ยวกับโพรเจกต์การเรียนรู้เชิงลึกของชุมชน MXNet

Amazon SageMaker สำหรับ Machine Learning

เรียนรู้เพิ่มเติมเกี่ยวกับ Amazon SageMaker

Amazon SageMaker เป็นบริการที่สามารถจัดการได้อย่างเต็มที่ซึ่งช่วยให้ Developer และ Data Scientist สามารถสร้าง ฝึกฝน และปรับใช้โมเดลของ Machine Learning ในทุกขนาดได้อย่างรวดเร็วและง่ายดาย Amazon SageMaker ขจัดปัญหาและอุปสรรคทั้งหมดที่มักขัดขวาง Developer ที่ต้องการใช้ Machine Learning

มีคำถามเพิ่มเติมไหม
ติดต่อเรา