Definition

Was ist MXNet?

| Autor / Redakteur: Tutanch / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

MXNet ist ein Open Source Framework der Apache Software Foundation, das sich für maschinenbasiertes Lernen und Deep Learning einsetzen lässt. Es gestattet das Trainieren von neuronalen Netzen und unterstützt unterschiedliche Plattformen und Programmiersprachen.

Ursprünglich entstand MXNet durch die Zusammenarbeit mehrerer Universitäten. Es handelt sich um ein modernes Framework für maschinelles Lernen und Deep Learning, mit dem sich neuronale Netze effizient aufbauen und trainieren lassen.

MXNet zeigt eine hohe Skalierbarkeit und ist sowohl für Cloud-basierte Strukturen als auch im mobilen Bereich einsetzbar. Auch in puncto unterstützter Programmiersprachen ist es sehr flexibel. Es existiert eine Vielzahl an Schnittstellen und Paketen, beispielsweise für Python, C++, JavaScript, Perl, Julia, Scala oder Go. Die Library von MXNet ist portabel und skaliert über mehrere GPUs und CPUs.

Die führenden Provider von Public-Cloud-Umgebungen wie Amazon Web Services (AWS) oder Microsoft Azure unterstützen MXNet. Für Amazon ist MXNet das Framework der Wahl für Deep Learning auf Basis neuronaler Netze. MXNet steht unter Apache License 2.0 für Anwender im Netz zur Verfügung. Die aktuellste Version von MXNet ist die Version 1.0.0 (Stand Anfang 2018).

Mit der Veröffentlichung dieser Version hat sich die Performance und Geschwindigkeit weiter verbessert. Das Framework unterstützt erweitertes Indexing und nutzt die Netzwerkbandbreite zwischen den verschiedenen Knoten dank der Gradientenkompression wesentlich effizienter. Nach eigenen Angaben sollen sich Netzwerke mit MXNet Version 1.0.0 bis zu fünfmal schneller trainieren lassen.

Die Vorteile des Deep-Learning-Frameworks MXNet

Der Einsatz von MXNet für Deep Learning und neuronale Netze bietet eine Vielzahl von Vorteilen. Das MXNet-Framework ist schlank, flexibel und skaliert sehr gut. Es unterstützt die aktuellsten Methoden der Deep-Learning-Modelle und neuronalen Netzwerke. Konzipiert ist MXNet für den verteilten Einsatz in dynamischen Cloud-Umgebungen. MXNet skaliert nahezu linear mit der Anzahl der CPUs oder GPUs. Auch extrem große Projekte können mit hoher Performance verarbeitet werden.

Um Entwicklern den Einstieg in das Deep Learning mit MXNet zu erleichtern, sind sowohl das sogenannte imperative als auch das symbolische Programmieren möglich. Darüber hinaus unterstützt MXNet eine große Auswahl an Programmiersprachen wie C++, Python, Scala, Julia, Perl, JavaScript, Matlab, Go und weitere. Einsteigern in das Deep Learning bietet das den Vorteil, dass keine neuen Programmiersprachen zu erlernen sind.

Auf dem Backend ist sämtlicher Code, unabhängig von der im Frontend für die Entwicklung der Modelle verwendeten Programmiersprache, in C++ kompiliert. Das stellt die hohe Performance des Frameworks sicher. Bereits trainierte Modelle können auf Geräten mit geringerer Leistung wie beispielsweise auf mobilen Endgeräten, IoT-Devices (Internet of Things) oder einem Raspberry Pi eingesetzt werden. Modelle die auf verteilten Umgebungen mit hoher Prozessorleistung und großem Speicherplatz trainiert wurden, finden dadurch Einzug auf Plattformen mit geringerer Prozessorleistung und weniger Speicherplatz.

Das Framework MXNet und die Schnittstelle Gluon

Die Gluon-Schnittstelle lässt sich zusammen mit MXNet verwenden. Bei Gluon handelt es sich um ein Deep Learning Interface von Microsoft und Amazon, das Programmierern über standardisierte APIs (Application Programming Interfaces) einen einfachen Zugang zu MXNet mit seinem Deep Learning Framework und den neuronalen Netzen bietet.

Gluon lässt sich nicht nur mit Apache MXNet, sondern auch mit dem Cognitive Toolkit von Microsoft nutzen. Das Gluon-Interface soll den Aufbau und das Training neuronaler Netze und ihrer Modelle vereinfachen und die schnellere Entwicklung von KI-Anwendungen ermöglichen. Auch die Bibliothek von Gluon steht unter Open-Source-Lizenz jedem zur Verfügung. Mit nur wenigen Codezeilen können komplexe Szenarien und Modelle neuronaler Netzwerke entwickelt werden. Gluon stellt ein hohes Abstraktionsniveau bereit und ermöglicht Prototyping und das Bereitstellen von Deep-Learning-Modellen ohne Geschwindigkeitseinbußen beim Trainieren.

Mögliche Anwendungsbereiche für MXNet

MXNet eröffnet ein breites Feld an Anwendungsbereichen. So wird das Framework beispielsweise für das autonome Fahren, maschinenbasiertes Übersetzen, Spracherkennung, Bild- und Gesichtserkennung und vieles weitere mehr eingesetzt. Für die Amazon Web Services ist MXNet das bevorzugte Deep Learning Framework. Im Bereich der Bilderkennung und Videoanalyse ermöglichen mit MXNet trainierte neuronale Netze den Inhalt von Bildern durch kontinuierliches Lernen zu verstehen. Deep-Learning-Algorithmen im Finanzsektor können dazu beitragen, ungewöhnliche Transaktionen zu erkennen und Angriffe auf Bankennetze zu verhindern. Spamfilter für E-Mail-Services lassen sich mit MXNet trainieren, um schädliche oder gefährliche Anhänge zu identifizieren.

Deep Learning mit MXNet stellt zudem Werkzeuge für die Beherrschung großer Datenmengen im Big-Data-Umfeld zur Verfügung. Es können beispielsweise in großen von Sensoren gelieferten Datenmengen relevante Zusammenhänge und Trends schneller gefunden werden.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

Gluon – KI-Entwicklung leicht gemacht

Deep Learning

Gluon – KI-Entwicklung leicht gemacht

Die Deep-Learning-Schnittstelle Gluon (Open Source) ermöglicht es Entwicklern, schneller und einfacher Modelle für das Machine oder Deep Learning zu erstellen, ohne dass sich die Trainingsleistung ungebührlich verlängert. Gluon kann mit jeder beliebigen KI-Engine arbeiten. lesen

Nvidia und ODMs gründen das HGX Partner Program

Künstliche Intelligenz

Nvidia und ODMs gründen das HGX Partner Program

Zusammen mit den Original Design Manufacturers (ODMs) Foxconn, Inventec, Quanta und Wistron hat Nvidia ein „HGX Partner Program“ ins Leben gerufen. In dessen Rahmen gewährt der Hersteller Zugriff auf Details seiner „Nvidia HGX“-Referenzarchitektur, GPU-Computing-Technologien sowie Designrichtlinien. Ziel ist es, der steigenden Nachfrage nach KI-Cloud-Computing schneller gerecht zu werden. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45129999 / Definitionen)