Apache MXNet на AWS
Создавайте приложения машинного обучения, которые быстро обучаются и могут работать везде
Apache MXNet на AWS представляет собой быструю и масштабируемую систему обучения и получения логических выводов с удобным и лаконичным API для машинного обучения.
MXNet включает интерфейс Gluon, позволяющий разработчикам любой квалификации начать работу с технологиями глубокого обучения в облаке, на периферийных устройствах и в мобильных приложениях. С помощью всего нескольких строк кода Gluon можно создавать линейные регрессии, сверточные сети и рекуррентные сети с долгой краткосрочной памятью (LSTM) для обнаружения объектов, распознавания речи, выдачи рекомендаций и индивидуальной настройки.
Начать работу с MxNet на AWS можно с помощью полностью управляемого решения на базе Amazon SageMaker – платформе для создания, обучения и развертывания моделей машинного обучения в любом масштабе. Кроме того, можно воспользоваться AMI глубинного обучения AWS для создания пользовательских сред и рабочих процессов с использованием MxNet и других платформ, включая TensorFlow, PyTorch, Chainer, Keras, Caffe, Caffe2 и Microsoft Cognitive Toolkit.
На странице проекта в GitHub можно найти образцы кода, комментарии и учебные материалы.
Преимущества глубокого обучения с использованием MXNet
Простота использования с интерфейсом Gluon
Улучшенная производительность
Для IoT и периферийных устройств
Гибкость и возможности выбора
Способность привлекать и удерживать клиентов
![](https://d1.awsstatic.com/Deep%20Learning/Amazon.2f27bf2d14679b69e67745757101e49d0bb92183.png)
![](https://d1.awsstatic.com/Deep%20Learning/Banjo.3e03a1433ba7f3349b7bd4222f76ecee9f3a89ee.png)
![](https://d1.awsstatic.com/Deep%20Learning/Samsung_SDS.230e93bf56146745bb85a3154c05571de76dae74.png)
![](https://d1.awsstatic.com/Deep%20Learning/Celgene.43a840590a98cfd0acd3735cf8ea7b323829d534.png)
![](https://d1.awsstatic.com/Deep%20Learning/CMU.b42b941b70ec8d4b00e8fe5a8927531a4c63cfb1.png)
![](https://d1.awsstatic.com/Deep%20Learning/Wolfram.40aad38db15407aa3af0c5db58e84812d682131f.png)
![](https://d1.awsstatic.com/logos/200x100_logos/200x100_NTT-DOCOMO_Logo.ac7f6c8181316f06771a87e584a04402b558f8f3.png)
![](https://d1.awsstatic.com/logos/customers/TensorFlow/Nvidia-logo-01.d5050d1ec064df154ef5e839260d865c00c24bdd.png)
![](https://d1.awsstatic.com/Deep%20Learning/Intel.885cf8e69b0c82f3556af19c10c41bf6d550d634.png)
![](https://d1.awsstatic.com/Deep%20Learning/Jam_City.1a39604e6ecfb5142f7e88c1f98bf12aa4ef2105.png)
![](https://d1.awsstatic.com/Deep%20Learning/Julia_Computing.aff9f2e4a2b2816db9dab757d21ea91cb2c2d475.png)
![](https://d1.awsstatic.com/Deep%20Learning/Lohika.a6200cdbd59d754f41869548ab01ff6fe4e35392.png)
![](https://d1.awsstatic.com/Deep%20Learning/MNLAB_KAIST.19f30325593de965d7c2b715f875dc86bfa5eebc.png)
![](https://d1.awsstatic.com/Deep%20Learning/Emory_NLP.934605ad5c8ff8630b907430d94fbb0c4d0a4074.png)
![](https://d1.awsstatic.com/Deep%20Learning/PIXM.ba7f4a85d97feb02791f8bc774cc9b911583e116.png)
![](https://d1.awsstatic.com/Deep%20Learning/Borealis_AI.088999fc3cd0c955593b6d8870a94692df26423d.png)
![Cimpress Cimpress](https://d1.awsstatic.com/Deep%20Learning/cimpress-logo-615x100.19eb1426a7b17289a2dc06dc3848d95b1420919a.png)
![](https://d1.awsstatic.com/Deep%20Learning/SPL_Seoul_National_University.8dd934cf223148ae5026b2fd14caa219d0de9923.png)
![](https://d1.awsstatic.com/Deep%20Learning/Teamwork.cdc3b61a461ff50f2564238b8ef3adc89d51e471.png)
![](https://d1.awsstatic.com/Deep%20Learning/tusimple-logo-100x50.5ce879b7611806d61e8f07e27795e984684ab3dc.png)
![](https://d1.awsstatic.com/Deep%20Learning/Curalate.91f256588f6023310fff616faa7cf92b139759f5.png)
![logo beeva horizontal1 logo beeva horizontal1](https://d1.awsstatic.com/logos/partners/Logo-BEEVA.c9a8604c113dd8244ff1d646ce36243cb87ae54a.jpg)
![](https://d1.awsstatic.com/Deep%20Learning/gumgum-logo.be7e6e04ee3255560e3f89da71b05ce5fbcf365b.png)
![](https://d1.awsstatic.com/Deep%20Learning/basler-logo.3fab10f0d43e08c55d1fe6282ce71d427cf70087.jpg)
![](https://d1.awsstatic.com/Deep%20Learning/infer-logo.855bb33b1ec97781de6e1d1aead360d716aea50b.jpg)
![](https://d1.awsstatic.com/Deep%20Learning/moqi-logo-150x50.ed08c6eac3f57b775ad51912d0dfa1cafb423bc5.png)
![](https://d1.awsstatic.com/Deep%20Learning/bytedance-logo.17ef1902b3304f413010758e518dcdd8cb876a26.png)
![](https://d1.awsstatic.com/Deep%20Learning/eagleview-logo.832a0e3e6f692f98b3409c7a304849a9ab012132.jpg)
Примеры использования
В проект MXNet входит более 500 участников, включая разработчиков из Amazon, NVIDIA, Intel, Samsung и Microsoft. Узнайте о том, как клиенты используют MXNet для проектов глубокого обучения. Дополнительные примеры использования см. в блоге о машинном обучении AWS и блоге о MXNet.
Amazon SageMaker для машинного обучения
Amazon SageMaker – это полностью управляемый сервис, который позволяет разработчикам и специалистам по работе с данными быстро и просто создавать, обучать и развертывать модели машинного обучения в любом масштабе. Amazon SageMaker устраняет все типичные барьеры, которые останавливают разработчиков, стремящихся использовать машинное обучение.