MXNet 0.11发布，加入动态图接口Gluon，还有两位CMU教授的亲笔教程

本篇文章2827字，读完约7分钟

雷锋。(公开号码:雷锋。. com)出版社:谢，本文作者，原发表于《智虎与雷锋》。com已经被它授权了。

经过3个月的开发，Mxnet版已经发布了！0.11是mxnet正式加入apache后的第一个版本，官方网站已经转移到apache服务器(注意:只有在最上面的版本中选择master才能看到包含gluon的最新文档)。

这次最大的改进是增加了动态图形界面胶子。格隆学习了喀拉斯、克纳和皮托奇的优点，并对它们进行了改进。该接口更简单，支持命令式编程。与tf相比，像caffe2这样的符号框架更加灵活和易于使用。同时，gluon还继承了mxnet的优势，如速度快、节省视频内存和高并行效率，并支持静态和动态图形的混合，比pytorch更快。

同时，为了彻底解决mxnet中文档不完整的弱点，我们特别邀请了cmu的知名教授alex smola和即将成为cmu教授的小网红zachary lipton为gluon创建文档！

界面更简单。gluon使用keras和numpy api，层可以自动判断输入长度。使用过chainer和pytorch的人一定经历过这样的麻烦，即每一层都应该记住前一层的输出长度，而从卷积层过渡到全连接层时，长度计算就更痛苦了，通常需要运行一次才能知道。在胶子中没有这样的问题，只要为每一层指定输出长度，系统就可以自动计算输入长度。

amp;lt;img data-rawheight= amp;quot;228 amp;quot; src= amp;quot;getimg.jrj/images/2017/08/leiphone/one_20170821185330029.png amp;quot; data-rawwidth= amp;quot;1042 amp;quot; >

速度更快深度学习框架大体分为两类：以tensorflow，caffe2为代表的静态图（symbolic）框架和以chainer，pytorch为代表的动态图（imperative）框架。静态图的优势在于速度快，省内存，便于线上部署。而动态图框架的优势是灵活，易用，debug方便，特别是在自然语言处理和增强学习等领域，比起静态图框架有显著优势。amp。lt。img数据-rawheight= amp。quot。228安培。quot。src= amp。quot。geting . jrj/images/2017/08/leiphone/one _ 20170821185330029 . png amp；quot。数据-rawwidth= amp。quot。1042安培。quot。>快速深度学习框架可以分为两类:以tensorflow和caffe2为代表的符号框架，以及以chainer和pytorch为代表的命令式框架。静态图形的优点是速度快，节省内存，便于在线部署。动态图框架的优点是灵活、易用、易于调试，特别是在自然语言处理和强化学习领域。

Gluon支持灵活的动态图和高效的静态图，因此您可以享受动态编程的灵活性和易用性，同时将性能损失降至最低。gluon的混合模块和混合接口可以让你一键在静态和动态之间切换。0.11版本的gluon比0.20版本的pytorch快10%以上，我们将在接下来的一两个月中增加更多的优化来提高10%以上的性能。

amp;lt;img data-rawheight= amp;quot;228 amp;quot; src= amp;quot;static.leiphone/uploads/new/article/pic/201708/6e004550580c0edc16acf8359bdd9524.png amp;quot; data-rawwidth= amp;quot;891 amp;quot; >

既是文档，又是教材深度学习的教材和样例虽多，但是教材往往重理论轻实践，而样例重实践却不系统。为了填补理论和实践之间的空白，并一举解决mxnet文档不全的弱项，我们特邀两位cmu教授alex smola和zachary lipton为gluon撰写一部兼顾深度学习理论，动手编程，和实战应用的文档+教材。amp。lt。img数据-rawheight= amp。quot。228安培。quot。src= amp。quot。static . leiphone/uploads/new/article/pic/201708/6e 004550580 c 0 EDC 16 af 8359 BDD 9524 . png amp；quot。数据-rawwidth= amp。quot。891安培。quot。>尽管有许多既是文献又是教材的教材和深度学习的例子，但教材倾向于强调理论而不是实践，而例子则强调实践但不是系统的。为了填补理论与实践之间的空白，并一次性解决mxnet文档不完整的弱点，我们邀请了两位cmu教授alex smola和zachary lipton为gluon编写一份文档+教材，其中考虑了深入学习理论、动手编程和实际应用。

Gluon教程包括深入学习理论解释和代码实践。前五章中的每个例子包括两个版本。从头开始的版本深入解释了所有的细节，而gluon版本则专注于展示高级包装的灵活性和效率。有人建议刚开始深入学习的学生应该从头开始循序渐进地阅读，而那些有一些经验的学生可以跳过基础教程，只看胶子版本。本教程现在在github上公开编写，计划有18章，前五章已经完成。还计划印刷出版和中文翻译。我们承诺每天更新，永不放弃维修站。欢迎您尝试参与创作！

胶子和其他框架的比较张量流:胶子支持静态和动态图，在灵活性和速度上有优势。然而，由于gluon的推出，在成熟度和在线部署方面仍然存在一些不足。一般来说，正在进行深入学习研究的学生可能希望尝试一下。

Pytorch:gluon和pytorch之间的相似性非常高，gluon独特的静态和动态图形混合功能可以在不牺牲灵活性的情况下提高性能。如果你喜欢pytorch的易用性和性能，强烈建议你试试gluon。

阿帕奇mxnet官方网站链接:mxnet.incubator.apache/

0.11新特性:github/Apache/initiator-mxnet/版本

安装指南:mxnet.incubator.apache/versions/master/get_started/install

胶子教程:gluon.mxnet.io/

格隆讲座PPT:github/Zack hase/mxnet-slides/blob/master/KDD-mxnet-slides . pdf

格隆深度学习范例:github/Apache/initiator-mxnet/tree/master/范例/格隆

雷锋文章版权所有。严禁擅自转载。详情请参考转载说明。