Apache MXNet in AWS

Entwickeln Sie schnell lernende Anwendungen für maschinelles Lernen, die überall ausgeführt werden können

Apache MXNet in AWS ist ein schnelles und skalierbares Schulungs- und Interferenz-Framework mit einer kompakten und bedienerfreundlichen API für Machine Learning.

MXNet enthält die Gluon-Schnittstelle, mit der Entwicklern aller Erfahrungsstufen der Einstieg in Deep Learning in der Cloud, auf Edge-Geräten und in mobilen Anwendungen problemlos gelingt. Mit nur wenigen Gluon-Codezeilen können Sie Funktionen wie lineare Regression, konvolutionale Netzwerke und wiederkehrende LSTMs für die Objekt- und Spracherkennung, Empfehlungen und Personalisierung entwickeln.

Für den Einstieg bei MxNet auf AWS in einer vollständig verwalteten Erfahrung können Sie HAQM SageMaker nutzen, eine Plattform, mit der Modelle für maschinelles Lernen in verschiedenen Dimensionen erstellt, trainiert und bereitgestellt werden können. Sie können auch die AWS Deep Learning-AMIs verwenden, um mit MxNet und anderen Frameworks wie TensorFlow, PyTorch, Chainer, Keras, Caffe, Caffe2 und Microsoft Cognitive Toolkit benutzerdefinierte Umgebungen und Workflows zu entwickeln.

Leisten Sie einen Beitrag zum Apache MXNet-Projekt

Steigen Sie in GitHub ein

Auf der GitHub-Projektseite können Sie Beispielcode, Notizen und Lerninhalte beziehen.

Vorteile von Deep Learning auf MXNet

Bedienerfreundlichkeit von Gluon

Die Gluon-Bibliothek von MXNet ist eine übersichtliche und bedienerfreundliche Schnittstelle für das Prototyping, das Training und die Bereitstellung von Deep Learning-Modellen ohne Geschwindigkeitsverlusten beim Training. Gluon bietet ein hohes Abstraktionsniveau für vordefinierte Ebenen, Verlustfunktionen und Optimierer. Es bietet darüber hinaus eine flexible Struktur, die intuitiv zu erlernen und einfach zu debuggen ist.

Größere Leistung

Deep Learning-Workloads können bei nahezu linearer Skalierbarkeit auf mehrere GPUs verteilt werden. So können auch extrem große Projekte in weniger Zeit verarbeitet werden. Je nach Anzahl der GPUs in einem Cluster erfolgt die Skalierung darüber hinaus automatisch. Durch serverloses und stapelbasiertes Interferencing sparen sich Entwickler noch mehr Zeit und erhöhen die Produktivität.

Für IoT und Edge

Neben Training mit mehreren GPUs und der Implementierung komplexer Modelle in der Cloud generiert MXNet auch neuronale Lightweight-Netzwerkmodelldarstellungen, die auf Edge-Geräten mit geringerer Leistung wie einem Raspberry Pi, Smartphone oder Laptop ausgeführt werden können und Daten remote in Echtzeit verarbeiten.

Flexibilität und große Auswahl

MXNet unterstützt eine große Auswahl an Programmiersprachen wie C++, JavaScript, Python, R, Matlab, Julia, Scala, Clojure und Perl. Für den Einstieg müssen Sie daher keine für Sie neue Sprache erlernen. Auf dem Back-End dagegen ist sämtlicher Code, unabhängig von der Sprache, in der die Modelle entwickelt wurden, in C++ kompiliert. Dadurch wird größte Leistung erreicht.

Kundenakzeptanz

Fallbeispiele

Am MXNet-Projekt sind mehr als 500 Entwickler beteiligt, darunter auch Entwickler von HAQM, NVIDIA, Intel, Samsung und Microsoft. Erfahren Sie, wie Kunden MXNet für Deep-Learning-Projekte einsetzen. Weitere Fallstudien finden Sie in der AWS. Machine Learning Blog und dem MXNet Blog.

Nutzung von Deep Learning zur Verringerung von Eigentumsschäden und -verlusten durch Naturkatastrophen

Celgene fördert die Pharmaforschung und -entdeckung mit Hilfe von KI auf MXNet.

Curalate betreibt Social Selling mit AI mithilfe von Apache MXNet auf AWS

HAQM SageMaker für Machine Learning

Weitere Informationen über HAQM SageMaker

HAQM SageMaker ist ein vollständig verwalteter Service, der es Entwicklern und Datenwissenschaftlern ermöglicht, schnell und einfach Machine Learning-Modelle jeder Größenordnung zu erstellen, zu trainieren und zu implementieren. HAQM SageMaker beseitigt alle Hindernisse, die Entwickler normalerweise beim Einsatz des maschinellen Lernens behindern.

Haben Sie Fragen?

Kontakt