VT2018 Apache Mxnet - Revision history

Vincent.Aubert1: /* Avantages */

2018-11-19T02:33:38Z

Avantages

← Older revision		Revision as of 02:33, 19 November 2018
Line 21:		Line 21:

	==Avantages==		==Avantages==

			Apache MXNet est un framework de deep learning léger, flexible et adaptable qui supporte deux modèles d'apprentissage profond comme les réseaux neuronaux convolutifs (CNNs) et les réseaux de mémoire à long terme (LSTMs).

	===Flexible===		===Flexible===
Line 36:		Line 38:

	Prend en charge d'un déploiement efficace d'un modèle formé à des appareils bas de gamme, tels que les appareils mobiles (en utilisant Amalgamation), Internet of things devices (en utilisant AWS Greengrass), serverless computing (en utilisant AWS Lambda) ou des containers. Ces environnements bas de gamme ne peuvent avoir qu'un CPU plus faible ou une mémoire limitée (RAM), et devraient être capables d'utiliser les modèles qui ont été formés sur un environnement de niveau supérieur (cluster basé sur GPU, par exemple).		Prend en charge d'un déploiement efficace d'un modèle formé à des appareils bas de gamme, tels que les appareils mobiles (en utilisant Amalgamation), Internet of things devices (en utilisant AWS Greengrass), serverless computing (en utilisant AWS Lambda) ou des containers. Ces environnements bas de gamme ne peuvent avoir qu'un CPU plus faible ou une mémoire limitée (RAM), et devraient être capables d'utiliser les modèles qui ont été formés sur un environnement de niveau supérieur (cluster basé sur GPU, par exemple).



	=Sources=		=Sources=

Vincent.Aubert1: /* Sources */

2018-11-19T02:28:17Z

Sources

← Older revision		Revision as of 02:28, 19 November 2018
Line 49:		Line 49:
	*https://mxnet.apache.org/tutorials/index.html		*https://mxnet.apache.org/tutorials/index.html
	*https://gluon-crash-course.mxnet.io/ndarray.html		*https://gluon-crash-course.mxnet.io/ndarray.html
			*https://github.com/apache/incubator-mxnet

Vincent.Aubert1 at 02:20, 19 November 2018

2018-11-19T02:20:27Z

← Older revision		Revision as of 02:20, 19 November 2018
Line 7:		Line 7:
	La bibliothèque MXNet est portable et peut évoluer vers plusieurs GPU et plusieurs machines. Le MXNet est soutenu par des fournisseurs publics de cloud computing, dont Amazon Web Services (AWS) et Microsoft Azure. Amazon a choisi le MXNet comme cadre d'apprentissage approfondi de choix chez AWS. Actuellement, le MXNet est soutenu par Intel, Dato, Baidu, Microsoft, Wolfram Research et des institutions de recherche comme Carnegie Mellon, MIT, University of Washington et la Hong Kong University of Science and Technology.		La bibliothèque MXNet est portable et peut évoluer vers plusieurs GPU et plusieurs machines. Le MXNet est soutenu par des fournisseurs publics de cloud computing, dont Amazon Web Services (AWS) et Microsoft Azure. Amazon a choisi le MXNet comme cadre d'apprentissage approfondi de choix chez AWS. Actuellement, le MXNet est soutenu par Intel, Dato, Baidu, Microsoft, Wolfram Research et des institutions de recherche comme Carnegie Mellon, MIT, University of Washington et la Hong Kong University of Science and Technology.


⚫	MXNet est conçu pour être distribué sur une infrastructure cloud, en utilisant un serveur de paramètres distribués (basé sur des recherches de l'Université Carnegie Mellon, Baidu et Google), et peut atteindre une échelle presque linéaire avec plusieurs GPU ou CPU.


Line 23:		Line 23:

	===Flexible===		===Flexible===

		⚫	MXNet est conçu pour être distribué sur une infrastructure cloud, en utilisant un serveur de paramètres distribués (basé sur des recherches de l'Université Carnegie Mellon, Baidu et Google), et peut atteindre une échelle presque linéaire avec plusieurs GPU ou CPU.

			===Langages multiples===

	MXNet supporte à la fois la programmation impérative et symbolique, ce qui permet aux développeurs habitués à la programmation impérative de s'initier plus facilement à l'apprentissage approfondi. Il facilite également le suivi, le débogage, la sauvegarde des points de contrôle, la modification des hyperparamètres, tels que le taux d'apprentissage ou l'arrêt anticipé.		MXNet supporte à la fois la programmation impérative et symbolique, ce qui permet aux développeurs habitués à la programmation impérative de s'initier plus facilement à l'apprentissage approfondi. Il facilite également le suivi, le débogage, la sauvegarde des points de contrôle, la modification des hyperparamètres, tels que le taux d'apprentissage ou l'arrêt anticipé.

Vincent.Aubert1 at 02:18, 19 November 2018

2018-11-19T02:18:47Z

@@ Line 6: / Line 6: @@
 La bibliothèque MXNet est portable et peut évoluer vers plusieurs GPU et plusieurs machines. Le MXNet est soutenu par des fournisseurs publics de cloud computing, dont Amazon Web Services (AWS) et Microsoft Azure. Amazon a choisi le MXNet comme cadre d'apprentissage approfondi de choix chez AWS. Actuellement, le MXNet est soutenu par Intel, Dato, Baidu, Microsoft, Wolfram Research et des institutions de recherche comme Carnegie Mellon, MIT, University of Washington et la Hong Kong University of Science and Technology.
 MXNet est conçu pour être distribué sur une infrastructure cloud, en utilisant un serveur de paramètres distribués (basé sur des recherches de l'Université Carnegie Mellon, Baidu et Google), et peut atteindre une échelle presque linéaire avec plusieurs GPU ou CPU.
@@ Line 25: / Line 15: @@
 The MXNet library is portable and can be upgraded to multiple GPUs and machines. MXNet is supported by public cloud computing providers, including Amazon Web Services (AWS) and Microsoft Azure. Amazon has chosen MXNet as its preferred in-depth learning framework at AWS. Currently, MXNet is supported by Intel, Dato, Baidu, Microsoft, Wolfram Research and research institutions such as Carnegie Mellon, MIT, University of Washington and Hong Kong University of Science and Technology.
 =Synthèse=
 =Sources=

Vincent.Aubert1 at 02:13, 19 November 2018

2018-11-19T02:13:08Z

← Older revision		Revision as of 02:13, 19 November 2018
Line 7:		Line 7:
	La bibliothèque MXNet est portable et peut évoluer vers plusieurs GPU et plusieurs machines. Le MXNet est soutenu par des fournisseurs publics de cloud computing, dont Amazon Web Services (AWS) et Microsoft Azure. Amazon a choisi le MXNet comme cadre d'apprentissage approfondi de choix chez AWS. Actuellement, le MXNet est soutenu par Intel, Dato, Baidu, Microsoft, Wolfram Research et des institutions de recherche comme Carnegie Mellon, MIT, University of Washington et la Hong Kong University of Science and Technology.		La bibliothèque MXNet est portable et peut évoluer vers plusieurs GPU et plusieurs machines. Le MXNet est soutenu par des fournisseurs publics de cloud computing, dont Amazon Web Services (AWS) et Microsoft Azure. Amazon a choisi le MXNet comme cadre d'apprentissage approfondi de choix chez AWS. Actuellement, le MXNet est soutenu par Intel, Dato, Baidu, Microsoft, Wolfram Research et des institutions de recherche comme Carnegie Mellon, MIT, University of Washington et la Hong Kong University of Science and Technology.

			=Coeur=
	=Résumé=

			MXNet est conçu pour être distribué sur une infrastructure cloud, en utilisant un serveur de paramètres distribués (basé sur des recherches de l'Université Carnegie Mellon, Baidu et Google), et peut atteindre une échelle presque linéaire avec plusieurs GPU ou CPU.

			MXNet supporte à la fois la programmation impérative et symbolique, ce qui permet aux développeurs habitués à la programmation impérative de s'initier plus facilement à l'apprentissage approfondi. Il facilite également le suivi, le débogage, la sauvegarde des points de contrôle, la modification des hyperparamètres, tels que le taux d'apprentissage ou l'arrêt anticipé.
			Langues multiples

			Supporte C++ pour le backend optimisé pour tirer le meilleur parti du GPU ou CPU disponible, et Python, R, Scala, Julia, Perl, MATLAB et JavaScript pour un frontend simple pour les développeurs.

			Pre,d en charge d'un déploiement efficace d'un modèle formé à des appareils bas de gamme, tels que les appareils mobiles (en utilisant Amalgamation), Internet of things devices (en utilisant AWS Greengrass), serverless computing (en utilisant AWS Lambda) ou des containers. Ces environnements bas de gamme ne peuvent avoir qu'un CPU plus faible ou une mémoire limitée (RAM), et devraient être capables d'utiliser les modèles qui ont été formés sur un environnement de niveau supérieur (cluster basé sur GPU, par exemple).



	=Abstract=		=Abstract=

Vincent.Aubert1: /* Abstract */

2018-11-19T02:12:42Z

Abstract

← Older revision		Revision as of 02:12, 19 November 2018
Line 11:		Line 11:
	=Abstract=		=Abstract=

			Apache MXNet is a deep learning open-source framework used to train and deploy deep neural networks. It is scalable, allowing rapid model training, and supports a flexible programming model and multiple programming languages (such as C++, Python, Julia, Matlab, JavaScript, Go, R, Scala, Perl, and Wolfram Language).
	MXNet est conçu pour être distribué sur une infrastructure cloud, en utilisant un serveur de paramètres distribués (basé sur des recherches de l'Université Carnegie Mellon, Baidu et Google), et peut atteindre une échelle presque linéaire avec plusieurs GPU ou CPU.

			The MXNet library is portable and can be upgraded to multiple GPUs and machines. MXNet is supported by public cloud computing providers, including Amazon Web Services (AWS) and Microsoft Azure. Amazon has chosen MXNet as its preferred in-depth learning framework at AWS. Currently, MXNet is supported by Intel, Dato, Baidu, Microsoft, Wolfram Research and research institutions such as Carnegie Mellon, MIT, University of Washington and Hong Kong University of Science and Technology.
	MXNet supporte à la fois la programmation impérative et symbolique, ce qui permet aux développeurs habitués à la programmation impérative de s'initier plus facilement à l'apprentissage approfondi. Il facilite également le suivi, le débogage, la sauvegarde des points de contrôle, la modification des hyperparamètres, tels que le taux d'apprentissage ou l'arrêt anticipé.
	Langues multiples

	Supporte C++ pour le backend optimisé pour tirer le meilleur parti du GPU ou CPU disponible, et Python, R, Scala, Julia, Perl, MATLAB et JavaScript pour un frontend simple pour les développeurs.

	Pre,d en charge d'un déploiement efficace d'un modèle formé à des appareils bas de gamme, tels que les appareils mobiles (en utilisant Amalgamation), Internet of things devices (en utilisant AWS Greengrass), serverless computing (en utilisant AWS Lambda) ou des containers. Ces environnements bas de gamme ne peuvent avoir qu'un CPU plus faible ou une mémoire limitée (RAM), et devraient être capables d'utiliser les modèles qui ont été formés sur un environnement de niveau supérieur (cluster basé sur GPU, par exemple).

	=Synthèse=		=Synthèse=

Vincent.Aubert1: /* Sources */

2018-11-19T02:11:01Z

Sources

← Older revision		Revision as of 02:11, 19 November 2018
Line 24:		Line 24:
	=Sources=		=Sources=

	https://github.com/apache/incubator-mxnet		*https://github.com/apache/incubator-mxnet
	https://aws.amazon.com/fr/mxnet/		*https://aws.amazon.com/fr/mxnet/
	https://software.intel.com/en-us/neural-compute-stick/get-started		*https://software.intel.com/en-us/neural-compute-stick/get-started
	https://dzone.com/articles/apache-deep-learning-101-using-apache-mxnet-on-the		*https://dzone.com/articles/apache-deep-learning-101-using-apache-mxnet-on-the
	https://github.com/movidius/ncappzoo		*https://github.com/movidius/ncappzoo
	https://software.intel.com/en-us/articles/apache-mxnet-v120-released-with-intel-optimized-cpu-backend		*https://software.intel.com/en-us/articles/apache-mxnet-v120-released-with-intel-optimized-cpu-backend
	https://mxnet.apache.org/tutorials/index.html		*https://mxnet.apache.org/tutorials/index.html
	https://gluon-crash-course.mxnet.io/ndarray.html		*https://gluon-crash-course.mxnet.io/ndarray.html

Vincent.Aubert1 at 02:10, 19 November 2018

2018-11-19T02:10:33Z

← Older revision		Revision as of 02:10, 19 November 2018
Line 21:		Line 21:

	=Synthèse=		=Synthèse=

			=Sources=

			https://github.com/apache/incubator-mxnet
			https://aws.amazon.com/fr/mxnet/
			https://software.intel.com/en-us/neural-compute-stick/get-started
			https://dzone.com/articles/apache-deep-learning-101-using-apache-mxnet-on-the
			https://github.com/movidius/ncappzoo
			https://software.intel.com/en-us/articles/apache-mxnet-v120-released-with-intel-optimized-cpu-backend
			https://mxnet.apache.org/tutorials/index.html
			https://gluon-crash-course.mxnet.io/ndarray.html

Vincent.Aubert1: /* Abstract */

2018-11-19T02:10:11Z

Abstract

← Older revision		Revision as of 02:10, 19 November 2018
Line 11:		Line 11:
	=Abstract=		=Abstract=

		⚫	MXNet est conçu pour être distribué sur une infrastructure cloud, en utilisant un serveur de paramètres distribués (basé sur des recherches de l'Université Carnegie Mellon, Baidu et Google), et peut atteindre une échelle presque linéaire avec plusieurs GPU ou CPU.
	Apache MXNet est un framework d'apprentissage profond léger, flexible et ultra-échelle qui supporte l'état de l'art des modèles d'apprentissage profond, y compris les réseaux neuronaux convolutifs (CNNs) et les réseaux de mémoire à long terme (LSTMs).
	Évolutif

⚫	MXNet est conçu pour être distribué sur une infrastructure ~~dynamique en nuage~~, en utilisant un serveur de paramètres distribués (basé sur des recherches de l'Université Carnegie Mellon, Baidu et Google~~[7]~~), et peut atteindre une échelle presque linéaire avec plusieurs GPU ou CPU.
	Flexible

	MXNet supporte à la fois la programmation impérative et symbolique, ce qui permet aux développeurs habitués à la programmation impérative de s'initier plus facilement à l'apprentissage approfondi. Il facilite également le suivi, le débogage, la sauvegarde des points de contrôle, la modification des hyperparamètres, tels que le taux d'apprentissage ou l'arrêt anticipé.		MXNet supporte à la fois la programmation impérative et symbolique, ce qui permet aux développeurs habitués à la programmation impérative de s'initier plus facilement à l'apprentissage approfondi. Il facilite également le suivi, le débogage, la sauvegarde des points de contrôle, la modification des hyperparamètres, tels que le taux d'apprentissage ou l'arrêt anticipé.
	Langues multiples		Langues multiples

	Supporte C+++ pour le backend optimisé pour tirer le meilleur parti du GPU ou CPU disponible, et Python, R, Scala, Julia, Perl, MATLAB et JavaScript pour un frontend simple pour les développeurs.		Supporte C++ pour le backend optimisé pour tirer le meilleur parti du GPU ou CPU disponible, et Python, R, Scala, Julia, Perl, MATLAB et JavaScript pour un frontend simple pour les développeurs.
	Portable

⚫	~~Prise~~ en charge d'un déploiement efficace d'un modèle formé à des appareils bas de gamme ~~pour l'inférence~~, tels que les appareils mobiles (en utilisant Amalgamation~~[8]]~~), Internet of things devices (en utilisant AWS Greengrass), serverless computing (en utilisant AWS Lambda) ou ~~conteneurs~~. Ces environnements bas de gamme ne peuvent avoir qu'un CPU plus faible ou une mémoire limitée (RAM), et devraient être capables d'utiliser les modèles qui ont été formés sur un environnement de niveau supérieur (cluster basé sur GPU, par exemple).
	Voir aussi


		⚫	Pre,d en charge d'un déploiement efficace d'un modèle formé à des appareils bas de gamme, tels que les appareils mobiles (en utilisant Amalgamation), Internet of things devices (en utilisant AWS Greengrass), serverless computing (en utilisant AWS Lambda) ou des containers. Ces environnements bas de gamme ne peuvent avoir qu'un CPU plus faible ou une mémoire limitée (RAM), et devraient être capables d'utiliser les modèles qui ont été formés sur un environnement de niveau supérieur (cluster basé sur GPU, par exemple).

	=Synthèse=		=Synthèse=

Vincent.Aubert1: /* Introduction */

2018-11-19T01:58:49Z

Introduction

← Older revision		Revision as of 01:58, 19 November 2018
Line 1:		Line 1:
	=Introduction=		=Introduction=
	[[File:~~file~~.png\| ~~file~~]]		[[File:Mxnet.png\| Mxnet]]