MXNet - Revision history

Leni.Gauffier: /* Gluon */

2020-01-13T15:38:10Z

Gluon

← Older revision		Revision as of 15:38, 13 January 2020
Line 45:		Line 45:
	Gluon possède aussi une classe hybride (HybridBlock) qui permet d'allier la facilité du modèle impératif avec les performances de l'approche symbolique.		Gluon possède aussi une classe hybride (HybridBlock) qui permet d'allier la facilité du modèle impératif avec les performances de l'approche symbolique.

	Vous pouvez trouver un exemple d'utilisation ~~sur~~ ce ~~lien~~ :		Vous pouvez trouver un exemple d'utilisation dans cette archive : [[File:MXNet.zip]]

	== Architecture ==		== Architecture ==

Donsez: /* Sources */

2020-01-13T15:16:46Z

Sources

← Older revision		Revision as of 15:16, 13 January 2020
Line 72:		Line 72:
	== Sources ==		== Sources ==

	[https://mxnet.apache.org/\|mxnet]		* [https://mxnet.apache.org/ mxnet]
	[https://mxnet.apache.org/api/python/docs/tutorials/packages/gluon/index.html\|gluon]		* [https://mxnet.apache.org/api/python/docs/tutorials/packages/gluon/index.html gluon]

Donsez: /* Sources */

2020-01-13T15:16:07Z

Sources

← Older revision		Revision as of 15:16, 13 January 2020
Line 72:		Line 72:
	== Sources ==		== Sources ==

	[https://mxnet.apache.org/]		[https://mxnet.apache.org/\|mxnet]
	[https://mxnet.apache.org/api/python/docs/tutorials/packages/gluon/index.html]		[https://mxnet.apache.org/api/python/docs/tutorials/packages/gluon/index.html\|gluon]

Leni.Gauffier at 14:38, 13 January 2020

2020-01-13T14:38:45Z

← Older revision		Revision as of 14:38, 13 January 2020
Line 49:		Line 49:
	== Architecture ==		== Architecture ==

	[[File:MXNETArchitecture.png\|https://mxnet.apache.org/api/architecture/overview]]		[[File:MXNETArchitecture.png\|600px\|thumb\|right\|https://mxnet.apache.org/api/architecture/overview]]

	''Runtime Dependency Engine'' : Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.		''Runtime Dependency Engine'' : Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.

Leni.Gauffier: /* Architecture */

2020-01-13T14:37:53Z

Architecture

← Older revision		Revision as of 14:37, 13 January 2020
Line 49:		Line 49:
	== Architecture ==		== Architecture ==

	[[File:MXNETArchitecture.png]]		[[File:MXNETArchitecture.png\|https://mxnet.apache.org/api/architecture/overview]]

	''Runtime Dependency Engine'' : Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.		''Runtime Dependency Engine'' : Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.
Line 69:		Line 69:

	''Data Loading(IO)'' : Chargement et augmentation efficaces des données distribuées.		''Data Loading(IO)'' : Chargement et augmentation efficaces des données distribuées.

			== Sources ==

			[https://mxnet.apache.org/]
			[https://mxnet.apache.org/api/python/docs/tutorials/packages/gluon/index.html]

Leni.Gauffier at 14:36, 13 January 2020

2020-01-13T14:36:22Z

← Older revision		Revision as of 14:36, 13 January 2020
Line 12:		Line 12:
	== Caractéristiques ==		== Caractéristiques ==

			===Scalable===
	~~Scalable :~~ MXNet est conçu pour être distribué sur une infrastructure cloud dynamique, utilisant un serveur de paramètres distribué et peut atteindre une échelle presque linéaire avec plusieurs GPU ou processeurs .		MXNet est conçu pour être distribué sur une infrastructure cloud dynamique, utilisant un serveur de paramètres distribué et peut atteindre une échelle presque linéaire avec plusieurs GPU ou processeurs .

			===Flexible===
	~~Flexible :~~ MXNet prend en charge la programmation impérative et symbolique, Cela facilite également le suivi, le débogage, la sauvegarde des points de contrôle, la modification des hyperparamètres, tels que le taux d’apprentissage ou les arrêts précoces .		MXNet prend en charge la programmation impérative et symbolique, Cela facilite également le suivi, le débogage, la sauvegarde des points de contrôle, la modification des hyperparamètres, tels que le taux d’apprentissage ou les arrêts précoces .

			===Multiples langages===
	~~Multiple languages :~~ Prise en charge du C ++ pour un backend optimisé afin de tirer le meilleur parti du processeur graphique ou du processeur disponible, ainsi que Python, R, Scala, Clojure, Julia, Perl, MATLAB et JavaScript pour une interface simple pour les développeurs.		Prise en charge du C ++ pour un backend optimisé afin de tirer le meilleur parti du processeur graphique ou du processeur disponible, ainsi que Python, R, Scala, Clojure, Julia, Perl, MATLAB et JavaScript pour une interface simple pour les développeurs.

			===Portable===
	~~Portable :~~ Prend en charge le déploiement efficace d'un modèle formé sur des périphériques bas de gamme, tels que les périphériques mobiles les périphériques Internet des objets l'informatique sans serveur ou les conteneurs. Ces environnements bas de gamme ne peuvent avoir qu'un processeur plus faible ou une mémoire limitée et devraient pouvoir utiliser les modèles formés dans un environnement de niveau supérieur.		Prend en charge le déploiement efficace d'un modèle formé sur des périphériques bas de gamme, tels que les périphériques mobiles les périphériques Internet des objets l'informatique sans serveur ou les conteneurs. Ces environnements bas de gamme ne peuvent avoir qu'un processeur plus faible ou une mémoire limitée et devraient pouvoir utiliser les modèles formés dans un environnement de niveau supérieur.

	== Écosystème ==		== Écosystème ==
Line 24:		Line 28:
	MXNet propose plusieurs librairies et outils supplémentaires qui viennent enrichir ses capacités.		MXNet propose plusieurs librairies et outils supplémentaires qui viennent enrichir ses capacités.

			===GluonCV===
	~~GluonCV :~~ Un toolkit spécialisé dans la Computer Vision, qui contient une interface supplémentaires pour aider dans les problèmes de type CV, des modèles pré-entrainés et des scripts d'entrainements. https://gluon-cv.mxnet.io/		Un toolkit spécialisé dans la Computer Vision, qui contient une interface supplémentaires pour aider dans les problèmes de type CV, des modèles pré-entrainés et des scripts d'entrainements. https://gluon-cv.mxnet.io/

			===GluonNLP===
	~~GluonNLP :~~ Des modèles d'entraînements spécifiques au NLP (traitement de langage naturel) https://gluon-nlp.mxnet.io/		Des modèles d'entraînements spécifiques au NLP (traitement de langage naturel) https://gluon-nlp.mxnet.io/

			===GluonTS===
	~~GluonTS :~~ Un toolkit pour le Probabilistic Time Series Modeling, offre une API adaptée à des séries temporelles et des modèles répondants aux problèmes à base de séries temporelles probabilistes. https://gluon-ts.mxnet.io/		Un toolkit pour le Probabilistic Time Series Modeling, offre une API adaptée à des séries temporelles et des modèles répondants aux problèmes à base de séries temporelles probabilistes. https://gluon-ts.mxnet.io/

			===MXBoard===
	~~MXBoard :~~ Une API pour faire le lien entre les modèles de MXNet et un board Tensorboard pour la visualisation des entraînements. https://github.com/awslabs/mxboard		Une API pour faire le lien entre les modèles de MXNet et un board Tensorboard pour la visualisation des entraînements. https://github.com/awslabs/mxboard

	== Gluon ==		== Gluon ==
Line 43:		Line 51:
	[[File:MXNETArchitecture.png]]		[[File:MXNETArchitecture.png]]

	Runtime Dependency Engine: Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.		''Runtime Dependency Engine'' : Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.
	Storage Allocator : Alloue et recycle efficacement les blocs de mémoire sur l'hôte (CPU) et les périphériques (GPU).		Storage Allocator : Alloue et recycle efficacement les blocs de mémoire sur l'hôte (CPU) et les périphériques (GPU).

	Resource Manager : Gère les ressources globales, telles que le générateur de nombres aléatoires et l'espace temporel.		''Resource Manager'' : Gère les ressources globales, telles que le générateur de nombres aléatoires et l'espace temporel.

	NDArray : Tableaux dynamiques asynchrones à n dimensions, qui fournissent des programmes impératifs flexibles pour le MXNet.		''NDArray'' : Tableaux dynamiques asynchrones à n dimensions, qui fournissent des programmes impératifs flexibles pour le MXNet.

	Symbolic Execution : Exécuteur statique de graphes symboliques, qui fournit une exécution et une optimisation efficaces des graphes symboliques.		''Symbolic Execution'' : Exécuteur statique de graphes symboliques, qui fournit une exécution et une optimisation efficaces des graphes symboliques.

	Operator : Opérateurs qui définissent le calcul statique de l'avance et du gradient (backprop).		''Operator'' : Opérateurs qui définissent le calcul statique de l'avance et du gradient (backprop).

	SimpleOp : Opérateurs qui étendent les opérateurs NDArray et les opérateurs symboliques de manière unifiée.		''SimpleOp'' : Opérateurs qui étendent les opérateurs NDArray et les opérateurs symboliques de manière unifiée.

	Symbol Construction: Construction symbolique, qui fournit un moyen de construire un graphe de calcul (configuration nette).		''Symbol Construction'' : Construction symbolique, qui fournit un moyen de construire un graphe de calcul (configuration nette).

	KVStore : Interface de stockage de valeurs clés pour une synchronisation efficace des paramètres.		''KVStore'' : Interface de stockage de valeurs clés pour une synchronisation efficace des paramètres.

	Data Loading(IO) : Chargement et augmentation efficaces des données distribuées.		''Data Loading(IO)'' : Chargement et augmentation efficaces des données distribuées.

Leni.Gauffier at 14:34, 13 January 2020

2020-01-13T14:34:02Z

← Older revision		Revision as of 14:34, 13 January 2020
Line 1:		Line 1:

			[[File:Mxnet.png\|150px\|thumb\|right\|Logo de MXNet]]

	Apache MXNet est un framework de Deep Learning développé par la Apache Software Foundation. Il permet de développer et d'entraîner des modèles de réseaux de neurones, dont les réseaux neuronaux convolutifs (CNN) ou les réseaux de neurones récurrents (RNN). Ce framework multi-plateforme est particulièrement optimisé pour des déploiements sur des systèmes distribués et est nativement supporté par les environnements clouds comme AWS.		Apache MXNet est un framework de Deep Learning développé par la Apache Software Foundation. Il permet de développer et d'entraîner des modèles de réseaux de neurones, dont les réseaux neuronaux convolutifs (CNN) ou les réseaux de neurones récurrents (RNN). Ce framework multi-plateforme est particulièrement optimisé pour des déploiements sur des systèmes distribués et est nativement supporté par les environnements clouds comme AWS.

	[[File:Mxnet.png]]

Leni.Gauffier at 14:33, 13 January 2020

2020-01-13T14:33:10Z

← Older revision		Revision as of 14:33, 13 January 2020
Line 1:		Line 1:
	Apache MXNet est un framework de Deep Learning développé par la Apache Software Foundation. Il permet de développer et d'entraîner des modèles de réseaux de neurones, dont les réseaux neuronaux convolutifs (CNN) ou les réseaux de neurones récurrents (RNN). Ce framework multi-plateforme est particulièrement optimisé pour des déploiements sur des systèmes distribués et est nativement supporté par les environnements clouds comme AWS.		Apache MXNet est un framework de Deep Learning développé par la Apache Software Foundation. Il permet de développer et d'entraîner des modèles de réseaux de neurones, dont les réseaux neuronaux convolutifs (CNN) ou les réseaux de neurones récurrents (RNN). Ce framework multi-plateforme est particulièrement optimisé pour des déploiements sur des systèmes distribués et est nativement supporté par les environnements clouds comme AWS.

			[[File:Mxnet.png]]

Leni.Gauffier at 14:31, 13 January 2020

2020-01-13T14:31:52Z

← Older revision		Revision as of 14:31, 13 January 2020
Line 37:		Line 37:
	== Architecture ==		== Architecture ==

			[[File:MXNETArchitecture.png]]
	[[File:https://raw.githubusercontent.com/dmlc/dmlc.github.io/master/img/mxnet/system/overview.png]]

	Runtime Dependency Engine: Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.		Runtime Dependency Engine: Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.

Leni.Gauffier at 14:27, 13 January 2020

2020-01-13T14:27:07Z

← Older revision		Revision as of 14:27, 13 January 2020
Line 34:		Line 34:

	Vous pouvez trouver un exemple d'utilisation sur ce lien :		Vous pouvez trouver un exemple d'utilisation sur ce lien :

			== Architecture ==

			[[File:https://raw.githubusercontent.com/dmlc/dmlc.github.io/master/img/mxnet/system/overview.png]]

			Runtime Dependency Engine: Planifie et exécute les opérations en fonction de leur dépendance en lecture/écriture.
			Storage Allocator : Alloue et recycle efficacement les blocs de mémoire sur l'hôte (CPU) et les périphériques (GPU).

			Resource Manager : Gère les ressources globales, telles que le générateur de nombres aléatoires et l'espace temporel.

			NDArray : Tableaux dynamiques asynchrones à n dimensions, qui fournissent des programmes impératifs flexibles pour le MXNet.

			Symbolic Execution : Exécuteur statique de graphes symboliques, qui fournit une exécution et une optimisation efficaces des graphes symboliques.

			Operator : Opérateurs qui définissent le calcul statique de l'avance et du gradient (backprop).

			SimpleOp : Opérateurs qui étendent les opérateurs NDArray et les opérateurs symboliques de manière unifiée.

			Symbol Construction: Construction symbolique, qui fournit un moyen de construire un graphe de calcul (configuration nette).

			KVStore : Interface de stockage de valeurs clés pour une synchronisation efficace des paramètres.

			Data Loading(IO) : Chargement et augmentation efficaces des données distribuées.