+ Répondre à la discussion Actualité déjà publiée
  1. #1
    Community Manager

    Avatar de Malick
    Homme Profil pro
    Auditeur
    Inscrit en
    juillet 2012
    Messages
    5 536
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : Sénégal

    Informations professionnelles :
    Activité : Auditeur
    Secteur : Conseil

    Informations forums :
    Inscription : juillet 2012
    Messages : 5 536
    Points : 58 555
    Points
    58 555
    Billets dans le blog
    15

    Par défaut Deep Learning : Microsoft et AWS lancent Gluon, une nouvelle bibliothèque pour l'apprentissage en profondeur

    Deep Learning : Microsoft et AWS s'associent et lancent Gluon,
    une nouvelle bibliothèque permettant aux développeurs de créer facilement et rapidement des modèles d'apprentissage automatique

    Amazon Web Services Inc. (AWS) et Microsoft Corp. viennent d'annoncer le lancement d'une toute nouvelle bibliothèque spécialement dédiée à l'apprentissage en profondeur et baptisée Gluon. Cette dernière, à en croire ses éditeurs, est basée sur la spécification API Gluon et devrait permettre aux développeurs, quelles que soient leurs compétences dans le domaine de l'apprentissage en profondeur, de créer facilement et plus rapidement des modèles d'apprentissage automatique.

    Nom : image-gluon-logo.png
Affichages : 1689
Taille : 41,8 Ko

    D'après les informations recueillies, la nouvelle bibliothèque Gluon fonctionne actuellement avec Apache MXNet 0.11 et fournit une API qui offre une interface flexible simplifiant le processus de prototypage, de construction de formation et de déploiement des modèles d'apprentissage en profondeur, cela sans incidence sur les performances. « Grâce à l'interface Gluon, les développeurs ont maintenant la possibilité de créer des modèles d'apprentissage automatique à l'aide d'une simple API Python et d'une large gamme de composants de réseaux de neurones optimisés. Cela devient donc maintenant plus aisé pour les développeurs de créer des réseaux de neurones en utilisant un code simple et concis. », peut-on lire dans l'annonce. Il est également rappelé que les développeurs utilisent trois composants pour créer des réseaux de neurones : il s'agit des données de tests, d'un modèle et d'un algorithme. « L'algorithme permet au modèle de comprendre les données de tests contenues dans le modèle. Comme le volume de données est important et que les modèles et les algorithmes sont complexes, la formation d'un modèle prend souvent des jours, voire des semaines. », lit-on également dans l'annonce.

    AWS et Microsoft soutiennent également que dans une prochaine version, l'interface de Gluon, en plus de fonctionner avec Apache MXNet, supportera également Microsoft Cognitive Toolkit qui est initialement connu sous le nom de Computational Network Toolkit (CNTK). Rappelons que Microsoft Cognitive Toolkit est une solution open source qui permet de créer des solutions de machine learning soit en C++, soit en BrainScript, soit en Python.

    Selon AWS et Microsoft, les avantages qui sont fournis par la nouvelle bibliothèque, en l'occurrence Gluon, se présentent comme suit :

    • code simple et facile à comprendre : Gluon offre un ensemble complet de blocs de construction de réseaux neuronaux plug-and-play, y compris des couches prédéfinies, des optimiseurs et des initialiseurs.
      Code python : Sélectionner tout - Visualiser dans une fenêtre à part
      1
      2
      3
      4
      5
      6
      7
      8
      net  = gluon.nn.Sequential () 
      # Lorsqu'elle est instanciée, Sequential stocke une chaîne de couches réseau neuronales. 
      # Après avoir présenté les données, Sequential exécute chaque couche à son tour, en utilisant 
      # la sortie d'une couche comme entrée pour la suivante 
      avec net.name_scope () : 
          net.add ( gluon.nn.Dense ( 256 , activation = "relu" ))  # 1re couche (256 noeuds) 
          net.add ( gluon.nn.Dense ( 256 , activation = "Relu" ))  # 2 couche cachée 
          net.add (gluon.nn.Dense ( num_outputs ))
    • structure souple et flexible : Gluon ne nécessite pas de définition rigide du modèle de réseau neuronal, mais rapproche l'algorithme et le modèle d'apprentissage pour offrir une flexibilité dans le processus de développement. Les développeurs vont pouvoir prototyper, construire et tester les réseaux neuronaux en utilisant le paquet autograd MXNet et la méthode Gluon formateur :
      Code python : Sélectionner tout - Visualiser dans une fenêtre à part
      1
      2
      3
      4
      5
      6
      7
      8
      9
      epochs = 10
       
              for e in range(epochs):
                  for i, (data, label) in enumerate(train_data):
                      with autograd.record():
                          output = net(data) # the forward iteration
                          loss = softmax_cross_entropy(output, label)
                          loss.backward()
                      trainer.step(data.shape[0])
    • graphiques dynamiques : Gluon permet aux développeurs de définir des modèles de réseaux neuronaux dynamiques, ce qui signifie qu'ils peuvent être construits à la volée, avec n'importe quelle structure et en utilisant n'importe quel flux de contrôle natif de Python. En d'autres termes, cela signifie que les développeurs peuvent utiliser l'interface Gluon pour créer des réseaux de neurones à la volée tout en ayant la possibilité de modifier leur taille et leur forme de manière dynamique.


      Code python : Sélectionner tout - Visualiser dans une fenêtre à part
      1
      2
      3
      4
      5
      6
      def forward(self, F, inputs, tree):
          children_outputs = [self.forward(F, inputs, child)
                              for child in tree.children]
          #Recursively builds the neural network based on each input sentence’s
          #syntactic structure during the model definition and training process
    • haute performance : Gluon offre tous les avantages ci-dessus et cela sans affecter les performances du moteur sous-jacent. AWS et Microsoft soutiennent qu'il faut mettre en cache le réseau de neurones afin d'atteindre de hautes performances ; et pour ce faire, il convient de définir le réseau neuronal avec HybridSequential et d'appeler la méthode hybridize:

      Code : Sélectionner tout - Visualiser dans une fenêtre à part
      1
      2
      3
      4
      5
      net = nn.HybridSequential()
      with net.name_scope():
          net.add(nn.Dense(256, activation="relu"))
          net.add(nn.Dense(128, activation="relu"))
          net.add(nn.Dense(2))
      Compiler et optimiser HybridSequential en appelant la méthode hybridize :



    Source : GitHub Gluon - MXNET - Businesswire

    Et vous ?

    Que pensez-vous de la nouvelle bibliothèque Gluon ?

    Allez-vous la tester ?
    Vous avez envie de contribuer au sein du Club Developpez.com ? Contactez-nous maintenant !
    Vous êtes passionné, vous souhaitez partager vos connaissances en informatique, vous souhaitez faire partie de la rédaction.
    Il suffit de vous porter volontaire et de nous faire part de vos envies de contributions :
    Rédaction d'articles/cours/tutoriels, Traduction, Contribution dans la FAQ, Rédaction de news, interviews et témoignages, Organisation de défis, de débats et de sondages, Relecture technique, Modération, Correction orthographique, etc.
    Vous avez d'autres propositions de contributions à nous faire ? Vous souhaitez en savoir davantage ? N'hésitez pas à nous approcher.

  2. #2
    Membre expérimenté Avatar de marsupial
    Homme Profil pro
    DevOp, Tech leader
    Inscrit en
    mars 2014
    Messages
    639
    Détails du profil
    Informations personnelles :
    Sexe : Homme
    Localisation : Autre

    Informations professionnelles :
    Activité : DevOp, Tech leader

    Informations forums :
    Inscription : mars 2014
    Messages : 639
    Points : 1 528
    Points
    1 528

    Par défaut

    Digne d'intérêt et adaptée à nos besoins afin d'éviter d'entrer dans récursivité infini. Merci monsieur
    Repeat after me
    Le monsieur lutte pour la défense des libertés individuelles et collectives

    Repeat after me...

Discussions similaires

  1. Réponses: 2
    Dernier message: 30/09/2016, 19h25
  2. Réponses: 7
    Dernier message: 21/06/2016, 19h03
  3. Réponses: 11
    Dernier message: 12/01/2016, 16h48
  4. Réponses: 8
    Dernier message: 11/07/2010, 03h03
  5. Réponses: 0
    Dernier message: 13/04/2010, 13h26

Partager

Partager
  • Envoyer la discussion sur Viadeo
  • Envoyer la discussion sur Twitter
  • Envoyer la discussion sur Google
  • Envoyer la discussion sur Facebook
  • Envoyer la discussion sur Digg
  • Envoyer la discussion sur Delicious
  • Envoyer la discussion sur MySpace
  • Envoyer la discussion sur Yahoo