Apache MXNet on AWS

สร้างแอปพลิเคชันที่ทำงานด้วย Machine Learning เพื่อให้เครื่องฝึกฝนอย่างรวดเร็วและรันบนอุปกรณ์ใดก็ได้

ลองใช้ Amazon SageMaker

Apache MXNet เป็นกรอบงานด้านการฝึกฝนและการอนุมานที่รวดเร็วและปรับขนาดได้ โดยมี API ที่ใช้งานง่ายและทำงานรวดเร็วซึ่งอาศัยการทำงานของระบบ Machine Learning

MXNet มีอินเทอร์เฟซ Gluon ที่ช่วยให้ Developer ที่มีทักษะความเชี่ยวชาญในระดับต่างๆ เริ่มต้นใช้งาน Deep Learning บนระบบคลาวด์ อุปกรณ์ที่ใช้ระบบ Edge และแอปมือถือได้ เพียงป้อนโค้ด Gluon ไม่กี่บรรทัด คุณก็สามารถสร้างสถิติความสัมพันธ์เชิงเส้น โครงข่ายแบบสังวัตนาการ และ LSTM แบบวนซ้ำเพื่อตรวจหาวัตถุ รู้จำเสียงพูด ให้คำแนะนำ และอนุญาตให้ปรับให้เหมาะกับแต่ละบุคคลได้

คุณสามารถเริ่มต้นใช้งาน MxNet บน AWS โดยมีประสบการณ์ที่ได้รับการจัดการอย่างเต็มรูปแบบโดยใช้ Amazon SageMaker แพลตฟอร์มนี้มีไว้สร้าง ฝึกฝน และปรับใช้โมเดล Machine Learning ได้ตามต้องการ หรือคุณสามารถใช้ AWS Deep Learning AMI ในการสร้างสภาพแวดล้อมและลำดับงานแบบกำหนดเองด้วย MxNet รวมถึงกรอบงานอื่นๆ เช่น TensorFlow, PyTorch, Chainer, Keras, Caffe, Caffe2 และ Microsoft Cognitive Toolkit

มีส่วนร่วมในโพรเจกต์ Apache MXNet
มีส่วนร่วมที่ GitHub

รับโค้ดตัวอย่าง เอกสาร Notebook และเนื้อหาบทแนะนำสอนการใช้งานในหน้าโพรเจกต์ GitHub

social-media-github

ประโยชน์ของ Deep Learning โดยใช้ MXNet

ใช้งานง่ายเพราะมี Gluon

ไลบรารี Gluon ของ MXNet มีอินเทอร์เฟซระดับสูงที่ช่วยให้สร้างต้นแบบ ฝึกฝน และปรับใช้โมเดล Deep Learning ได้โดยไม่ต้องลดความเร็วในการฝึกฝน Gluon มีการกำหนดสาระสำคัญในระดับสูงของเลเยอร์ ฟังก์ชันค่าใช้จ่าย และตัวเพิ่มประสิทธิภาพที่กำหนดไว้ล่วงหน้า นอกจากนี้ ยังมีโครงสร้างที่ยืดหยุ่นซึ่งทำงานได้อย่างมีประสิทธิภาพและแก้ไขข้อผิดพลาดได้ง่าย

ประสิทธิภาพมากกว่าเดิม

ปริมาณงาน Deep Learning สามารถกระจายใน GPU หลายตัวซึ่งสามารถปรับขนาดเพื่อรองรับการทำงานได้ในแบบที่เกือบจะเป็นเส้นตรง กรณีนี้หมายความว่า ระบบสามารถรับมือกับโพรเจกต์ขนาดใหญ่มากได้โดยใช้เวลาน้อยลง นอกจากนี้ การปรับขนาดยังเป็นไปโดยอัตโนมัติ โดยขึ้นอยู่กับจำนวน GPU ในคลัสเตอร์ Developer ยังประหยัดเวลาและเพิ่มประสิทธิภาพในการทำงานได้โดยรันการอนุมานแบบไร้เซิร์ฟเวอร์และใช้แบตช์เป็นหลัก

สำหรับ IoT และ Edge

นอกจากจะจัดการการฝึกฝนโดยใช้ GPU หลายตัวและปรับใช้โมเดลที่ซับซ้อนในระบบคลาวด์แล้ว MXNet ยังสร้างระบบแสดงแทนโมเดลเครือข่ายเส้นประสาทแบบเบาซึ่งสามารถรันบนอุปกรณ์ที่ใช้ระบบ Edge และใช้พลังงานไฟฟ้าต่ำ เช่น Raspberry Pi สมาร์ทโฟน หรือแล็ปท็อป และประมวลผลข้อมูลจากระยะไกลได้ในแบบเรียลไทม์

ความยืดหยุ่นและทางเลือก

MXNet รองรับภาษาในการเขียนโปรแกรมหลากหลายภาษา รวมถึง C++, JavaScript, Python, R, Matlab, Julia, Scala, Clojure, and Perl คุณจึงสามารถเริ่มต้นด้วยภาษาที่คุณรู้อยู่แล้วได้ 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 500 รายซึ่งรวมถึง Developer จาก Amazon, NVIDIA, Intel, Samsung และ Microsoft ด้วย เรียนรู้เพิ่มเติมเกี่ยวกับโพรเจกต์ Deep Learning ของชุมชน MXNet

Amazon SageMaker สำหรับ Machine Learning

เรียนรู้เพิ่มเติมเกี่ยวกับ Amazon SageMaker

Amazon SageMaker เป็นบริการที่ได้รับการจัดการอย่างเต็มรูปแบบซึ่งช่วยให้ Developer และ Data Scientist สามารถสร้าง ฝึก และปรับใช้โมเดลของ Machine Learning ทุกขนาดได้อย่างรวดเร็วและง่ายดาย Amazon SageMaker ขจัดปัญหาและอุปสรรคทั้งหมดที่มักขัดขวาง Developer ที่ต้องการใช้ Machine Learning

มีคำถามเพิ่มเติมหรือไม่
ติดต่อเรา