Apache MXNet

来自开放百科 - 灰狐
(版本间的差异)
跳转到: 导航, 搜索
(AWS)
(项目)
 
(未显示1个用户的6个中间版本)
第25行: 第25行:
  
 
==项目==
 
==项目==
 +
[[文件:Keras-MXNet.png]]
 +
*[https://mxnet.incubator.apache.org/versions/master/community/ecosystem.html MXNet's Ecosystem]
 +
*[https://github.com/apache/tvm/ Apache TVM]
 
*[https://github.com/dmlc/mxnet mxnet]
 
*[https://github.com/dmlc/mxnet mxnet]
 
*[https://github.com/dmlc/mxnet/tree/master/scala-package MXNet Scala Package]
 
*[https://github.com/dmlc/mxnet/tree/master/scala-package MXNet Scala Package]
第30行: 第33行:
 
*[https://github.com/dmlc/MXNet.jl MXNet.jl]
 
*[https://github.com/dmlc/MXNet.jl MXNet.jl]
 
*[https://github.com/dmlc/nnvm NNVM] Build deep learning system by parts
 
*[https://github.com/dmlc/nnvm NNVM] Build deep learning system by parts
 +
*[https://github.com/d2l-ai/d2l-zh 《动手学深度学习》] 面向中文读者、能运行、可讨论。中英文版被全球140所大学采用教学。
  
 
==AWS==
 
==AWS==
第42行: 第46行:
 
==图集==
 
==图集==
 
<gallery>
 
<gallery>
 +
image:MXNet-System-Architecture.png|系统架构
 
image:dmlc-xgboost4j.png|XGBoost4J
 
image:dmlc-xgboost4j.png|XGBoost4J
 
image:dmlc-xgboost4j-pipeline.png|XGBoost4J Pipeline
 
image:dmlc-xgboost4j-pipeline.png|XGBoost4J Pipeline
第50行: 第55行:
 
*[http://mxnet.io/ MXNet官网]
 
*[http://mxnet.io/ MXNet官网]
 
*[https://github.com/dmlc/mxnet MXNet @ GitHub]
 
*[https://github.com/dmlc/mxnet MXNet @ GitHub]
 +
*[https://github.com/d2l-ai/d2l-zh 《动手学深度学习》]
 
*[http://dmlc.ml/ DMLC官网]
 
*[http://dmlc.ml/ DMLC官网]
 
*[https://github.com/dmlc DMLC @ GitHub]
 
*[https://github.com/dmlc DMLC @ GitHub]
第64行: 第70行:
 
[[category:julia]]
 
[[category:julia]]
 
[[category:jupyter]]
 
[[category:jupyter]]
 +
[[category:apache]]

2021年5月2日 (日) 04:59的最后版本

Distributed (Deep) Machine Learning Community,简称DMLC。

DMLC是由一群极客发起的组织,主要目标是提供快速高质量的开源机器学习工具。近来流行的boosting模型xgboost便是出自这个组织。开源了一个深度学习工具mxnet,这个工具含有Rpythonjulia等语言的接口。

目录

[编辑] 新闻

[编辑] 简介

Apache MXNet 是一种功能全面、可以灵活编程并且扩展能力超强的深度学习框架,支持包括卷积神经网络 (CNN) 与长短期记忆网络 (LSTM) 在内的顶尖深度模型。

[编辑] 优势

  • 支持本机分布式培训

支持关于多个 CPU/GPU 机器的分布式学习,以利用云规模。

  • 灵活的编程模型

同时支持命令和符号编程,以最大程度提高效率和生产力。

  • 可从云中移植到客户端

可在 CPU 或 GPU、群集、服务器、桌面或手机上运行。

  • 支持多种语言

支持在 Python、R、Scala、Julia 和 C++ 中构建和学习模型。预先经过学习的模型可用于预测,甚至在采用 Matlab 或 Javascript 等更多种语言的情况下也是如此。

  • 优化的性能

无论您的编程语言为何,经过优化的 C++ 后端引擎均可并行执行 I/O 和计算,且执行效果最佳。

  • Apache开源社区

[编辑] 指南

[编辑] 项目

Keras-MXNet.png

[编辑] AWS

[编辑] 开发者

[编辑] 图集

[编辑] 链接

分享您的观点
个人工具
名字空间

变换
操作
导航
工具箱