今天，亞馬遜 AWS、微軟 聯(lián)合發(fā)布了 Gluon – 一種新的開源深度學習接口，可幫助開發(fā)人員更輕松、更快速地構建機器學習模型，而不犧牲任何性能。 

Gluon 采用一系列預先構建并經(jīng)過優(yōu)化的神經(jīng)網(wǎng)絡組件，為定義機器學習模型提供清晰、簡潔的 API。剛剛接觸機器學習的開發(fā)人員會發(fā)現(xiàn)此接口更像傳統(tǒng)代碼，因為他們可以像使用任何其他數(shù)據(jù)結構那樣定義和操作機器學習模型。經(jīng)驗豐富的數(shù)據(jù)科學家和科研人員也會發(fā)現(xiàn)它的寶貴價值：快速構建原型和利用動態(tài)神經(jīng)網(wǎng)絡圖實現(xiàn)全新模型架構，而又不減緩訓練進度。Gluon 現(xiàn)已在Apache MXNet 中可用，日后將“進駐”Microsoft Cognitive Toolkit 及其他架構。

神經(jīng)網(wǎng)絡與開發(fā)人員使用神經(jīng)網(wǎng)絡的機器學習 (包括“深度學習”) 包含三個主要部分：訓練數(shù)據(jù)、神經(jīng)網(wǎng)絡模型和訓練神經(jīng)網(wǎng)絡的算法。您可以將神經(jīng)網(wǎng)絡看成是一種有向圖：它有一系列輸入 (數(shù)據(jù))，通過一系列連接的層和權重連接到一系列輸出 (預測)。在訓練期間，算法根據(jù)網(wǎng)絡輸出中的錯誤調(diào)整網(wǎng)絡中的權重。這就是網(wǎng)絡學習的過程 – 一種可能需要持續(xù)數(shù)天時間的內(nèi)存和計算密集型過程。Caffe2、Cognitive Toolkit、TensorFlow 以及 Apache MXNet 等深度學習框架能夠部分解決“如何加快這一過程？”的難題。與數(shù)據(jù)庫中的查詢優(yōu)化器一樣，訓練引擎越了解網(wǎng)絡和算法，越能更好地優(yōu)化訓練過程 (例如，它可以根據(jù)其他部分的改變，推斷需要重新計算圖中的哪些部分并跳過不受影響的權重，從而加快訓練進度)。

此外，這些框架還提供并行功能，可通過分發(fā)計算過程來減少總體訓練時間。但是，要實現(xiàn)上述優(yōu)化，大多數(shù)框架要求開發(fā)人員完成一些額外工作：首先，提供網(wǎng)絡圖形式定義，然后“定圖”并調(diào)整權重。網(wǎng)絡定義可能極其龐大而復雜 (包含數(shù)百萬個連接)，通常必須手動構建。深度學習網(wǎng)絡十分“笨重”，難以調(diào)試，因而很難在項目間復用代碼。

這種復雜性可能會令初學者“無從下手”，對經(jīng)驗豐富的科研人員來說也是一項耗時的任務。AWS 在 MXNet 中嘗試了一些更靈活易用的新方法定義和訓練神經(jīng)網(wǎng)絡。Microsoft 也是開源項目 MXNet 的開發(fā)者，對部分新想法感興趣。于是我們進行了溝通，結果發(fā)現(xiàn)雙方抱持幾乎相同的愿景：借助此類技術降低機器學習的復雜性，新加坡云主機 香港云主機，讓更多的開發(fā)人員能夠輕松發(fā)揮其強大威力。

Gluon 特點：動態(tài)圖，快速迭代，可擴展訓練Gluon 包含四大創(chuàng)新。

1.友好的 API：可以使用簡單、清晰、簡潔的代碼定義 Gluon 網(wǎng)絡 – 相比某些更晦澀、更形式化的網(wǎng)絡及相關加權評分函數(shù)定義方法，這更易于開發(fā)人員學習，理解難度大幅降低。

2.動態(tài)網(wǎng)絡：Gluon 中的網(wǎng)絡定義是動態(tài)的：它可以像任何其他數(shù)據(jù)結構一樣“收縮和擴展”。這有別于更常見的形式化網(wǎng)絡符號定義 (既深度學習框架要求必須保持網(wǎng)絡定義不變，才能在訓練期間有效地優(yōu)化計算)。相比之下，動態(tài)網(wǎng)絡更容易管理。

3.借助 Gluon:開發(fā)人員可以在定義網(wǎng)絡和算法時輕松混用快速的符號表示和更友好、動態(tài)的“命令式”定義。 可以使用算法定義網(wǎng)絡：這大大加強了模型與訓練算法的聯(lián)系。在這種情況下，算法可以在定義和訓練期間動態(tài)調(diào)整網(wǎng)絡，而不僅僅是獨立的定義。也就是說，開發(fā)人員能夠使用標準的編程循環(huán)、條件語句創(chuàng)建此類網(wǎng)絡，科研人員也能定義以前無法實現(xiàn)的更復雜的算法和模型。不管是創(chuàng)建、更改還是調(diào)試，美國網(wǎng)站空間 香港網(wǎng)頁寄存，難度都大幅下降。

4.由高性能運營商進行訓練：這樣可在不犧牲訓練速度的情況下提供友好、簡潔的 API 和動態(tài)圖，可謂是機器學習領域的一大進步。某些框架為深度學習提供了友好的 API 或動態(tài)圖，但以前的此類方法都會減緩訓練速度。與其他領域的軟件一樣，抽象需要在運行時進行協(xié)商和解釋，因而會減慢計算速度。但 Gluon 將簡明的 API 與形式化定義進行了深層融合，無需開發(fā)人員了解具體細節(jié)或手動調(diào)整編譯器優(yōu)化。

能通過 Gluon 向開發(fā)人員提供此類改進，AWS 團隊和 Microsoft 的協(xié)作者倍感興奮。目前，已有開發(fā)人員和科研人員提供十分積極的反饋。

開始使用 GluonGluon 現(xiàn)已在 Apache MXNet 中可用，將在未來版本中支持 Microsoft Cognitive Toolkit。我們還將發(fā)布前端接口和底層 API 規(guī)范，以便在適當?shù)臅r候“進駐”其他框架。

您可以立即試用 Gluon – 只需點擊 AWS 深度學習 AMI，就能試驗 50 個完全能夠正常工作的筆記本示例。如果您是機器學習框架開發(fā)者，請訪問 GitHub 查閱接口規(guī)范。