Apache MXNet in AWS

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

Probieren Sie die AWS Deep Learning-AMIs aus

Apache MXNet ist ein schnelles und skalierbares Lern- und Interferenz-Framework mit einer kompakten und bedienerfreundlichen API für maschinelles Lernen.

MXNet beinhaltet 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.

Der Einstieg in MXNet und Gluon in AWS wird Ihnen leicht gemacht. Starten Sie einfach das AWS Deep Learning-AMI, das sowohl für Amazon Linux als auch für Ubuntu in mehreren Versionen verfügbar ist.

Leisten Sie einen Beitrag zum Apache MXNet-Projekt
Steigen Sie in GitHub ein

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

social-media-github

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 und Go. 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.

Fallstudien zu MXNet

Am MXNet-Projekt sind mehr als 400 Mitwirkende beteiligt, darunter auch Entwickler von Amazon, Apple, Samsung und Microsoft. Weitere Informationen zu Deep Learning-Projekten der MXNet-Community.

Blog-Beiträge und Artikel

seb-coreML
Sebastien Menant und Pracheer Gupta
6. September 2017
mu_li_100
Mu Li
6. Oktober 2017

Erste Schritte mit MXNet auf AWS

icon1

Registrieren Sie sich für ein AWS-Konto

Sie erhalten sofort Zugang zu AWS-Services.

icon2

Holen Sie sich das AWS Deep Learning-AMI

Wählen Sie die richtige AMI und den Instance-Typ für Ihr Projekt aus.

icon3

Mit MXNet in die Entwicklung einsteigen

Steigen Sie mit diesen einfachen Tutorials in die Entwicklung ein.

Deep Learning in AWS entdecken

Mit dem AWS Deep Learning-AMI können Sie benutzerspezifische AI-Modelle schulen, mit neuen Algorithmen experimentieren und neue Fähigkeiten und Techniken rund um Deep Learning erlernen. Die AMIs sind in unterschiedlichen Formen erhältlich, z. B. vorinstalliert oder in Open-Source-Deep-Learning-Frameworks wie Apache MXNet und Gluon, TensorFlow, Microsoft Cognitive Toolkit, Caffe, Caffe2, Theano, Torch, PyTorch und Keras. Für Verwendung der AMIs fallen keine zusätzlichen Gebühren an – Sie zahlen nur für die AWS-Ressourcen, die Sie zur Speicherung und Ausführung Ihrer Anwendungen benötigen. Mehr >

Bereit zum Entwickeln?
Probieren Sie die AWS Deep Learning-AMIs aus
Haben Sie Fragen?
Kontakt