Deep Learning

Gluon – KI-Entwicklung leicht gemacht

| Autor / Redakteur: Jürgen Schreier / Nico Litzel

Das Potenzial des maschinellen Lernens kann nur realisiert werden, wenn alle Entwickler solche Anwendungen programmieren können.
Das Potenzial des maschinellen Lernens kann nur realisiert werden, wenn alle Entwickler solche Anwendungen programmieren können. (Bild: Pixabay / CC0)

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.

Die Bibliothek Gluon von Amazon Web Services (AWS) und Microsoft ermöglicht es Entwicklern aller Qualifikationsstufen anspruchsvolle Machine-Learning-Modelle für die Cloud, Edge Computer und mobile Anwendungen zu entwickeln, trainieren und zu implementieren. Möglich machen dies eine einfache Python-API sowie eine Reihe vorgefertigter, optimierter neuronaler Netzwerkkomponenten. Erzeugen wird mit Gluon leistungsfähige neuronale Netzwerke auf der Basis eines einfachen, prägnanten Code. AWS und Microsoft haben die Referenzspezifikation von Gluon offengelegt, sodass auch andere Deep-Learning-Engines in die Schnittstelle integriert werden können.

Die Gluon-Schnittstelle arbeitet mit Apache MXNet zusammen und wird in einer kommenden Version das Microsoft Cognitive Toolkit (CNTK) unterstützen.

Gluon: Einfache Programmierschnittstelle, hohe Performance

Neuronale Netze werden mithilfe von drei Komponenten entwickelt: Trainingsdaten, einem Modell und einem Algorithmus. Der Algorithmus trainiert das Modell, um die Muster in den Daten zu verstehen. Da das Datenvolumen groß und die Modelle und Algorithmen komplex sind, dauert das Training eines Deep-Learning-Modells oft Tage oder gar Wochen.

Deep Learning Engines wie Apache MXNet, Microsoft Cognitive Toolkit und TensorFlow sollen den Trainingsprozess optimieren und beschleunigen. Allerdings erfordern diese Engines, dass Entwickler ihre Modelle und Algorithmen im Vorfeld mit komplexem und schwer zu änderndem Code definieren. Die bisher erhältlichen Deep-Learning-Tools vereinfachen zwar die Modellierung von Anwendungen aus dem Bereich der Künstliche Intelligenz, jedoch sind auf Kosten längerer Trainingszeiten.

Die Gluon-Schnittstelle bietet das Beste aus beiden Welten: eine übersichtliche, leicht verständliche Programmierschnittstelle, mit der Entwicklern schnell Prototypen zu erstellen und mit neuronalen Netzmodellen zu experimentieren können. Hinzu kommt bei Gluon eine Trainingsmethode, die nur minimale Auswirkungen auf die Geschwindigkeit der zugrunde liegenden Engine hat. Entwickler können die Gluon-Schnittstelle verwenden, um neuronale Netzwerke im Handumdrehen zu erstellen und ihre Größe und Form dynamisch zu verändern. Weil die Gluon-Schnittstelle den Trainingsalgorithmus und das Modell des neuronalen Netzwerks zusammenführt, können Entwickler außerdem das Modelltraining schrittweise durchführen. Das macht es einfacher neuronale Netze zu debuggen, zu aktualisieren und wiederzuverwenden.

Gluon macht jedem Entwickler Deep Learning zugänglich

„Das Potenzial des maschinellen Lernens kann nur realisiert werden, wenn alle Entwickler solche Anwendungen programmieren können. Die heutige Realität sieht hingegen so aus, dass das Entwickeln und Trainieren von Modellen für das maschinelle Lernen spezielles Fachwissen erfordert“, sagte Swami Sivasubramanian, VP von Amazon AI. „Wir haben die Gluon-Schnittstelle entwickelt, damit die Erstellung von neuronalen Netzwerken und Trainingsmodellen so einfach wie die Erstellung einer App ist.“

„Wir glauben, dass es für die Softwareindustrie wichtig ist, Ressourcen bei der Entwicklung von Technologien zu bündeln, die einer breiteren Öffentlichkeit zugute kommen“, ist Eric Boyd, Corporate Vice President of Microsoft AI and Research, überzeugt. „Um dies zu erreichen, müssen wir die richtigen Werkzeuge in die richtigen Hände geben, und die Gluon-Schnittstelle ist ein Schritt in diese Richtung.“

„Die Effizienz und Flexibilität der Gluon-Schnittstelle wird es unseren Teams ermöglichen, agiler zu werden und auf eine Weise zu experimentieren, die in der Vergangenheit einen enorme enormen Zeitaufwand erfordert hätte", kommentiert Takero Ibuki, Senior Research Engineer bei DOCOMO Innovations.

Alles Relevante für einen Start mit der Gluon-Schnittstelle steht auf der GitHub-Plattform zum Download bereit.

Tutorials zu Gluon für Anfänger und Experten sind unter https://mxnet.incubator.apache.org/gluon/ verfügbar.

Dieser Artikel stammt von unserem Partnerportal Industry of Things.

Kommentare werden geladen....

Kommentar zu diesem Artikel

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
  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.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45123437 / APIs)