Connaissez-vous CNTK? CNTK est une bibliothèque d'apprentissage profond open source dirigée par Microsoft. Pour être honnête, j'ai récemment commencé à l'utiliser, mais ce CNTK n'est pas comme Microsoft dans le bon sens, et c'est assez Je pense que c'est cool. Cette fois, je vais d'abord présenter brièvement les fonctionnalités de CNTK, [Je vais regarder un exemple de code utilisant Jupyter Notebook dans la seconde moitié](http://qiita.com/usuyama/items/bb7600ab7cfc1f5b8be3#python%E3%81%A7cntk] % E3% 82% 92% E4% BD% BF% E3% 81% A3% E3% 81% A6% E3% 81% BF% E3% 82% 8B).

** [Cliquez ici pour le tutoriel](http://qiita.com/usuyama/items/bb7600ab7cfc1f5b8be3#python%E3%81%A7cntk%E3%82%92%E4%BD%BF%E3%81%A3%E3% 81% A6% E3% 81% BF% E3% 82% 8B) **

Politique de développement ouverte qui ne colle pas à «Microsoft»

Open Source

https://github.com/Microsoft/CNTK

Le développement est en cours sur GitHub. Il n'y a pas de version interne.

Wiki officiel

API Python et C ++

Il n'y a pas (encore) d'API .Net. Brainscript est également pris en charge.

Disponible sur Linux et Windows

L'équipe de développement a déclaré: «Linux et Windows sont les premiers citoyens de CNTK». Il semble que les deux plates-formes prennent en charge les mêmes fonctionnalités, bien qu'il puisse y avoir un léger décalage. Docker est également disponible pour Linux, donc peut-être que Linux est plus facile à utiliser. ne pas.

Grande vitesse et échelle

Échelle sur plusieurs GPU

La figure compare les performances avec Therano, TensorFlow, Torch 7 et Caffe. Il s'agit d'une comparaison du nombre d'images pouvant être traitées par seconde par un réseau neuronal à 4 couches entièrement connecté (la taille du mini lot est de 8192). Les paramètres bleu et orange sont des clusters de machines Linux avec un ou quatre GPU (Nvidia K40), et le vert est un cluster de deux machines Linux (2 x 4 GPU). ** Avec un GPU, chaque bibliothèque a presque la même vitesse (CNTK est plus rapide que TensorFlow?), Mais CNTK est le seul qui peut utiliser efficacement plusieurs GPU. ** À 4 GPU, CNTK évolue presque 4x, tandis que Torch 7 et Caffe sont environ 2x. TensorFlow est pratiquement inchangé.

Blog Microsoft Research

Octobre 2016: CNTK atteint une précision de reconnaissance vocale au niveau humain

Lors d'une expérience en octobre 2016, un moteur de reconnaissance vocale développé par l'équipe de Microsoft a enregistré un taux d'erreur de mots de 5,9%. Cela équivaut à demander à un service de transcription professionnel le même fichier audio. De plus, ce service de transcription utilise un processus en deux étapes, la première personne transcrivant à partir de 1 et la seconde effectuant des corrections.

La partie détaillée de la méthode est publiée dans Paper, mais elle utilise un réseau de neurones avec un très grand nombre de couches. Il est également indiqué dans le Paper que CNTK démontrait également sa puissance ici et que le traitement à grande vitesse de CNTK était indispensable.

Essayez d'utiliser CNTK avec Python

Introduction à CNTK (Python)

Mon collègue faisait un bon tutoriel, alors je l'ai traduit. Puisqu'il s'agit d'un Jupyter Notebook, vous pouvez éditer et exécuter du code sur place sans préparer l'environnement. Nous prévoyons d'en ajouter d'autres en séquence.

CNTK 101: Régression logistique et introduction à l'apprentissage automatique «Tout d'abord, créons un modèle linéaire et résolvons un simple problème de classification à deux classes. Il introduit le flux général de la construction du modèle, de l'apprentissage à l'évaluation. Non seulement il suit le code, mais il présente également brièvement les mathématiques derrière lui.
CNTK 102: Apprentissage des données de simulation avec Feed Forward Network
Créez un réseau de neurones à 4 couches et apprenez les mêmes données de simulation que 101.
CNTK 103 Partie A: Préparation des données MNIST (numéro manuscrit) --Dans la partie A, les données MNIST sont téléchargées, converties dans un format facile à utiliser et enregistrées dans un fichier.
CNTK 103 Partie B: apprendre les données MNIST avec Feed Forward Network
Apprentissage des données MNIST téléchargées dans la partie A avec le réseau neuronal à 4 couches créé en 102.

Jupyter Notebook (Azure Notebook) Si vous vous connectez avec votre compte Microsoft, vous pourrez cloner vos notes pour les modifier et les exécuter.

Il est très pratique de pouvoir changer le code sur place et de l'exécuter, alors essayez de changer le code du tutoriel et de jouer avec.

référence

--Si vous souhaitez préparer l'environnement localement, Officiel ou [ici](http://qiita.com/ L'article de hiiyan0402 / items / ec41908f2aa81b73047e) semble être utile.

(Je ne l'ai pas encore essayé) Préparer l'environnement sur Azure semble être plus facile. Vous pouvez également utiliser le GPU.

[PYTHON] Didacticiel "CNTK" de la bibliothèque d'apprentissage en profondeur de Microsoft