""

Das Gehirn von Microsoft ist derzeit für jeden zugänglich, der es in seinen Anwendungen verwenden kann. Die Organisation hat die künstliche Intelligenz, mit der sie die Diskursbestätigung in ihren fortgeschrittenen Cortana Advanced-Hand- und Skype-Übersetzungsanwendungen verwendet, öffentlich veröffentlicht. Dies bedeutet, dass derzeit jeder auf der Welt den Code von Microsoft in seinem eigenen Produkt sehen, anpassen und verwenden darf.

Das System, CNTK genannt, hängt von einem Teil der künstlichen Intelligenz ab, der als Deep Learning bezeichnet wird. Dabei werden Maschinen dazu befähigt, beispielsweise Aufnahmen und Aufnahmen wahrzunehmen oder den menschlichen Diskurs zu verstehen, indem sie die Struktur und die Elemente des menschlichen Großhirns kopieren. Technologiemonster wie Microsoft, Google und Facebook haben sich lange Zeit intensiv mit fundierter Lernforschung befasst und haben sich so extrem gewagt, dass sie eine große Anzahl von Scholastikern gewinnen, die das Feld anführen. Ähnlich wie die Scholastiker ihre Erkundung derzeit verteilen, sodass sie von verschiedenen Spezialisten untersucht und vorangetrieben werden kann, entladen diese Organisationen ihre profunden Lernprogramme auf ähnliche Weise.

Zuvor veröffentlichte Google den von Menschen gemachten Brainpower-Motor TensorFlow, den das Unternehmen für eine große Anzahl seiner eigenen Anwendungen nutzt, einschließlich der Spracherkennung in Android und sogar des führenden Webindex. Schon nach kurzer Zeit veröffentlichte Facebook Strukturen für kundenspezifische Geräte, die die neuesten AI-Berechnungen durchführen sollten, und Chinas größter Web-Crawler Baidu veröffentlichte öffentlich seine computergestützten Argumentationsvorbereitungsprogramme.

Microsoft hat CNTK wirklich entlassen, was aus zahlreichen Gesichtspunkten mit dem TensorFlow von Google vergleichbar ist. Monate zuvor, bevor Google sein eigenes System entließ, beschränkte sich der Code auf nicht-geschäftliche Zwecke. Gegenwärtig lässt Microsoft CNTK für alle, auch Unternehmen, für alles, was sie wünschen.

Was ist CNTK?

Das Computational Network Toolkit (CNTK) ist ein Produktbündel, das es einfach macht, Computersysteme zu strukturieren und zu testen, zum Beispiel tiefe neuronale Systeme. Ein Rechensystem ist ein Berechnungsstil, bei dem sich Informationen durch ein Diagramm bewegen und Berechnungen in den Hubs des Diagramms erfolgen. Das Ziel eines Computersystems ist es, Informationen hervorzuheben, die Informationen durch ein System von Basisberechnungen zu ändern und anschließend mindestens einen Ertrag zu erzeugen. Die Ausbeute ist häufig eine Art der Wahl, abhängig von den Info-Highlights. Ein Rechnersystem kann zahlreiche Strukturen annehmen, beispielsweise vorwärts, rekursiv oder konvolutiv, und verschiedene Arten von Berechnungen und Nichtlinearitäten enthalten. Die Systemparameter werden verbessert, um das "beste" vorstellbare Ergebnis für eine gegebene Anordnung von Informationen und Fortschrittskriterien zu liefern

  • CNTK ist eine allgemeine Antwort zur Vorbereitung und zum Testen zahlreicher Arten neuronaler Systeme
  • Ein Client gibt ein System an, das einen einfachen Datensatz für die Inhaltsanordnung verwendet. Der Entwurfsdatensatz gibt an, um welche Art von System es sich handelt, wo Sie die Informationsinformationen finden und wie Sie die Parameter verbessern. Diese Planparameter werden im Setup-Dokument festgelegt.
  • CNTK soll die gleiche Anzahl von Berechnungen durchgängig auf eine GPU übertragen, sofern verfügbar, wie dies unter den gegebenen Umständen zu erwarten war. Diese Arten von Computersystemen sind alles andere als schwer zu vektorisieren und passen sich gut in GPUs ein. CNTK eignet sich gut für GPUs, die den CUDA-Programmierzustand unterstützen.
  • CNTK ermittelt selbstverständlich die erforderlichen Tochtergesellschaften, um die wesentlichen Verbesserungen effektiv auszuspielen. Systeme bestehen aus zahlreichen einfachen Komponenten, und CNTK kann die Feinheiten überwachen, um sicherzustellen, dass die Weiterentwicklung effektiv erfolgt.
  • CNTK kann erreicht werden, indem kleine Maße C ++ – Code zur Aktualisierung der lebenswichtigen Quadrate verwendet werden. Neue Informationen, Nichtlinearitäten und Zielkapazitäten sind alles andere als schwer einzubeziehen.

Vorteile von CNTK gegenüber TensorFlow

CNTK hat gegenüber TensorFlow eine herausragende Position für Personen außerhalb der wissenschaftlichen Gemeinschaft: Es kann die Intensität zahlreicher Server inzwischen ausnutzen. Dies ist von entscheidender Bedeutung, da es ungewöhnlich ist, dass ein einzelner PC erstaunlich genug ist, um mit einer echten von Menschen gemachten Brainpower-Anwendung fertig zu werden, z. B. der Anerkennung des Diskurses über eine Anwendung, die von einer großen Anzahl von Personen verwendet wird. Google verwendet wahrscheinlich TensorFlow auf einer großen Anzahl von Servern gleichzeitig. Wie dem auch sei, die Variante der Google-Gesellschaft, die in die allgemeine Gesellschaft entlassen wurde, könne nicht in diese Richtung genutzt werden. Um ehrlich zu sein, einige profunde Lernstrukturen außer CNTK, die über verschiedene Server laufen, sind idealerweise außerhalb des Falls. Es ist jedoch denkbar, dass sie mit anderen Open-Source-Programmen arbeiten, beispielsweise mit Torch, das von Facebook und Google verwendet wird.

Wie aus dem inneren Versuch von Microsoft hervorgeht, ist CNTK wesentlich produktiver als andere professive Open-Source-Lerngeräte. Es ist außerdem eines von nur ein paar profunden Lernsystemen, auf denen Microsoft Windows basiert. Ein Nachteil ist jedoch, dass die Struktur nur C ++ und einen eigenen benutzerdefinierten Dialekt unterstützt, was es für einige Designer zunehmend lästig machen kann, sie zu nutzen. In jedem Fall beabsichtigt Microsoft, die bekannten Programmier-Dialekte Python – vermutlich der bekannteste Dialekt unter den von Menschen verursachten Argumentationsspezialisten – und C # eher früher als später zu unterstützen. Darüber hinaus verfügen Software-Ingenieure derzeit über die Möglichkeit, Open Source für ihre beliebtesten Dialekte selbst bereitzustellen.

Microsoft Cognitive Toolkit ist die schnellste tiefgreifende Lernstruktur auf dem Markt und bietet Designern eine Vielzahl von interessanten Punkten über verschiedene Systeme hinweg. Bis auf GitHub-Stars ist es jedoch nach TensorFlow und Caffe nur die dritthäufigste Toolbox für das Lernen in der Tiefe. Microsoft ist sich hinsichtlich der Ausführung und der Möglichkeiten von Cognitive Toolkit äußerst sicher. Derzeit müssen sie das Angebot unter Designern und dem Untersuchungsnetzwerk erweitern.

Sie erleben häufig, dass Einzelpersonen sie fragen, aus welchem Grund jemand CNTK anstelle von TensorFlow verwenden muss. Um die Anfragen zu beantworten, haben sie jetzt einen Artikel veröffentlicht, der auf die Gründe für CNTK aufmerksam macht. 8 Gründe, warum Sie von TensorFlow zu CNTK wechseln sollten:

  • Geschwindigkeit: CNTK ist insgesamt viel schneller als TensorFlow und ist bei intermittierenden Systemen in der Regel 5-10x schneller.
  • Genauigkeit: CNTK kann verwendet werden, um fundierte Lernmodelle mit bester Klassengenauigkeit zu erstellen.
  • Struktur der Programmierschnittstelle: CNTK verfügt über eine erstaunliche C ++ – API, und es ist gleichermaßen einfach, dass Python-APIs mit anormalem Status verwendet werden, die mit einer praktischen Programmierwelt geplant sind.
  • Vielseitigkeit: CNTK lässt sich mühelos über eine große Anzahl von GPUs skalieren.
  • Überraschend: CNTK verfügt über einen C # / .NET / Java-Induktionsverstärker, der die Koordination der CNTK-Bewertung in Clientanwendungen vereinfacht.
  • Erweiterbarkeit: CNTK kann für Layer und Studenten effektiv aus Python herausgezogen werden.
  • In Perusern gearbeitet: CNTK hat produktiv mit Information Perusern gearbeitet, die das vermittelte Lernen zusätzlich unterstützen.
  • Ununterscheidbare innere und äußere Toolbox: Sie sind in keiner Weise gefährdet, da das gleiche Toolkit von internen Produktgruppen bei Microsoft verwendet wird.

Wie sollten Sie das Computational Network Toolkit (CNTK) für das ML-Deep-Learning-Framework einsetzen?

Das Computational Network Toolkit (CNTK) ist eine umfassende Lernstruktur, die von Microsoft Research erstellt wurde. CNTK zeigt neuronale Systeme als eine Abfolge von Berechnungsschritten durch ein koordiniertes Diagramm. In diesem Diagramm stellen Leaf-Hubs Eingabeschätzungen oder Systemparameter dar, während verschiedene Hubs Gitteraktivitäten für Informationen anzeigen. Mit CNTK können Clients gängige Modellsortierungen effektiv typisieren und koordinieren, z. B. Feedforward-DNNs, Faltungsnetzwerke (CNNs) und sich wiederholende Systeme (RNNs / LSTMs). Es führt ein stochastisches Neigungssprungverfahren (SGD, Dunge Backpropagation) mit programmierter Trennung und Parallelisierung über verschiedene GPUs und Server durch. Das in C ++ geschriebene Unternehmen wurde unter der MIT-Genehmigung entlassen. CNTK unterstützt jetzt Windows und Linux. Ebenso wird die Modularisierung vorangetrieben, wobei eine Aufteilung zwischen Berechnungsanordnungen, Ausführungsmotor, Lernberechnungen und Modelldarstellungen aufrechterhalten wird. CNTK hat gegenüber alternativen Strukturen drei hauptsächliche günstige Bedingungen:

  • Effizienz: Kann Generierungsframeworks schnell vorbereiten
  • Leistung: Kann bei Benchmark-Besorgungen und Generierungs-Frameworks eine erstklassige Ausführung erzielen
  • Flexibilität: Kann verschiedene Zuordnungen unterstützen, z. B. Diskurs, Bilder und Nachrichten, und kann schnell mit neuen Gedanken experimentieren

CNTK unterstützt die Skalierung auf GPU-Gruppen aus der Kiste. Dies beinhaltet ein geeignetes neuronales System, das sich auf Gruppen von im Wesentlichen beliebiger Größe vorbereitet, wodurch die Toolbox für Anfänger, neue Unternehmen mit expliziten Zwecken und Wissenschaftler mit großem Maßstab (und die Koordination der Anlagenausbeute) wertvoll wird. CNTK bietet einige Vorteile, die Open Source-Konkurrenten derzeit noch nicht haben, was die weitere Prüfung besonders reizvoll macht.

Eine weitere günstige Position von CNTK ist der NDL-Dialekt für Systemdarstellungen. Es besteht die Möglichkeit, dass die Verwendung der Setup-Dokumente für das prototypische Prototyping hilfreich ist. Für diejenigen, die eher demonstrieren als programmieren möchten, ist dies eine sinnvolle Anordnung. In der Maschine ist das Schreiben von Computerprogrammen eine unglückliche Verpflichtung, und dementsprechend kann es belebend sein.

Es hat auch ein paar Hindernisse – die Abwesenheit anderer Dialektkissen, ähnlich wie Python, ist ein Hindernis für CNTK in dieser Anfangszeit. Bei der Hoffnung, die Bestätigung zu verstärken, ist es von grundlegender Bedeutung, dass die derzeitigen Software-Ingenieure die Geräte dazu bringen, sich in vorhandene Pipelines zu koordinieren. CNTK hat sich in letzter Zeit auf die Diskursforschung nach Netzwerken konzentriert. In der Folge sind die wichtigsten Berechnungskapazitäten für Rechenoperationen für die umfassendere Gruppe der künstlichen Intelligenz nicht zu bemerken. Bei Offshore Software Solutions nutzen wir die Möglichkeiten von CNTK, um Ihnen Web-Tools wie nie zuvor zur Verfügung zu stellen. Sie können unsere Dienstleistungen hier überprüfen. www.offshoresoftware.solutions