Apache MXNet on avoimen lähdekoodin syväoppimiskehys , jota käytetään syvien hermoverkkojen kouluttamiseen ja käyttöönottoon . Se on skaalautuva ja mahdollistaa mallien nopean koulutuksen. Se tukee joustavaa ohjelmointimallia ja useita ohjelmointikieliä (mukaan lukien C ++ , Python , Julia , Matlab , JavaScript , Go , R , Scala , Perl )
Kirjasto MXNet on liikkuva ja voi sopeutua useita GPU ja useita koneita. MXNet tukee tarjoaja julkinen pilvi , kuten Amazon Web Services (AWS) ja Microsoft Azure . Amazon valitsi MXNetin AWS: n syvälliseksi oppimiskehykseksi. MXNetiä tukevat tällä hetkellä Intel , Baidu , Microsoft , Wolfram Research ja tutkimuslaitokset laitoksilta, kuten Carnegie Mellon , MIT , Washingtonin yliopisto ja Hongkongin tiede- ja teknologiayliopisto .
Apache MXNet on kevyt, joustava ja erittäin skaalautuva syväoppimiskehys, joka tukee syvällisiä oppimismalleja, mukaan lukien konvoluutiohermoverkot (CNN) ja lyhyen ja pitkän aikavälin muistin toistuvat verkot , pitkä lyhytaikainen muisti (LSTM).
MXNet on tarkoitettu jaettavaksi yli dynaaminen pilvi-infrastruktuurin , käyttäen hajautetun asetuksia palvelimen (perustuen tutkimukseen Carnegie Mellon University , Baidu, ja Google ), ja se voi saavuttaa lähes lineaarinen asteikko useiden GPU tai prosessoreita .
MXNet tukee sekä pakollista että symbolista ohjelmointia, jolloin pakollisen ohjelmoinnin tuntevat kehittäjät voivat oppia syvällisestä oppimisesta. Se myös helpottaa seurantaa, virheenkorjausta, tarkistuspisteiden tallentamista, hyperparametrien , kuten oppimisnopeuden tai varhaisen sammuttamisen, muuttamista.
C ++ -tuki optimoidulle taustajärjestelmälle, jotta saat kaiken irti käytettävissä olevasta näytönohjaimesta tai suorittimesta, sekä Python , R , Scala , Clojure , Julia , Perl , MATLAB ja JavaScript yksinkertaisen käyttöliittymän kehittäjille.
Tukee koulutetun mallin tehokasta käyttöönottoa matalaluokan laitteissa johtopäätösten, kuten mobiililaitteiden (yhdistämistä käyttävien), esineiden internetlaitteiden (AWS Greengrassia käyttävien), palvelimettoman tietojenkäsittelyn (AWS Lambda) tai säiliöiden, perusteella. Näissä matalaluokkaisissa ympäristöissä saattaa olla vain pienempi prosessori tai rajoitettu muisti (RAM), ja niiden pitäisi voida pystyä käyttämään malleja, jotka on koulutettu ylemmän tason ympäristössä (esimerkiksi GPU-pohjainen klusteri).