^{<sub id="jgr5k"></sub>}

MXNet 0.11發(fā)布，加入動態(tài)圖接口Gluon，還有兩位CMU教授的親筆教程

本文作者：汪思穎

2017-08-21 18:50

導語：MXNet 0.11版發(fā)布啦！快來體驗

雷鋒網(wǎng)按：本文作者解浚源，原載于知乎，雷鋒網(wǎng)已獲其授權(quán)。

經(jīng)過3個月的開發(fā)，MXNet 0.11版發(fā)布啦！0.11是MXNet正式加入Apache以后的第一個版本，官方網(wǎng)站搬到了Apache的服務(wù)器（注意：要在最上方Version處選擇master才能看到包含Gluon的最新文檔）。

這次最大的改進是加入了動態(tài)圖接口Gluon。Gluon學習了Keras，Chainer，和Pytorch的優(yōu)點，并加以改進。接口更簡單，且支持動態(tài)圖（Imperative）編程。相比TF，Caffe2等靜態(tài)圖（Symbolic）框架更加靈活易用。同時Gluon還繼承了MXNet速度快，省顯存，并行效率高的優(yōu)點，并支持靜、動態(tài)圖混用，比Pytorch更快。

同時為了徹底解決MXNet文檔不全的弱點，我們還特地邀請了前CMU知名教授Alex Smola和即將出任CMU教授的小網(wǎng)紅Zachary Lipton聯(lián)手為Gluon打造文檔！

接口更簡潔

Gluon采用Keras和Numpy風格API，并且Layer可以自動判斷輸入長度。用過Chainer和Pytorch的人想必都體會過每一層都要記住前一層輸出長度的麻煩，從卷積層到全連接層過渡時長度計算更是痛苦，往往要運行一遍才知道。在Gluon里則沒有這種問題，每層只要指定輸出長度，輸入長度則可以由系統(tǒng)自動計算。

MXNet 0.11發(fā)布，加入動態(tài)圖接口Gluon，還有兩位CMU教授的親筆教程

速度更快

深度學習框架大體分為兩類：以TensorFlow，caffe2為代表的靜態(tài)圖（Symbolic）框架和以Chainer，Pytorch為代表的動態(tài)圖（Imperative）框架。靜態(tài)圖的優(yōu)勢在于速度快，省內(nèi)存，便于線上部署。而動態(tài)圖框架的優(yōu)勢是靈活，易用，debug方便，特別是在自然語言處理和增強學習等領(lǐng)域，比起靜態(tài)圖框架有顯著優(yōu)勢。

Gluon同時支持靈活的動態(tài)圖和高效的靜態(tài)圖，讓你在享受動態(tài)編程的靈活易用的同時最小化性能的損失。而Gluon的HybridBlock和hybridize接口讓你可以在靜態(tài)動態(tài)間一鍵切換。0.11版Gluon比0.20版Pytorch快10%以上，在未來的一兩個月我們會加入更多優(yōu)化，再提高10%以上的性能。

MXNet 0.11發(fā)布，加入動態(tài)圖接口Gluon，還有兩位CMU教授的親筆教程

既是文檔，又是教材

深度學習的教材和樣例雖多，但是教材往往重理論輕實踐，而樣例重實踐卻不系統(tǒng)。為了填補理論和實踐之間的空白，并一舉解決MXNet文檔不全的弱項，我們特邀兩位CMU教授Alex Smola和Zachary Lipton為Gluon撰寫一部兼顧深度學習理論，動手編程，和實戰(zhàn)應(yīng)用的文檔+教材。

Gluon教程包括深度學習理論講解和代碼實踐。前五章每個例子都包括了兩個版本。從零開始（from scratch）版本深入講解所有細節(jié)，Gluon版本則著重演示高級封裝的靈活高效。建議剛開始接觸深度學習的同學從頭開始順序閱讀，而已經(jīng)有一定經(jīng)驗的同學可以跳過基礎(chǔ)教程只看Gluon版。這套教程現(xiàn)在在Github上公開寫作，共計劃18章，已經(jīng)完成了前五章。印刷出版和中文翻譯也在計劃中。我們保證每天更新，絕不棄坑，歡迎大家試讀，也歡迎參與創(chuàng)作！