Unduh neon - unduh kode sumber neon

neon

ular piton

ved SSD CPU performance

Unduh

PENGHENTIAN PROYEK. Proyek ini tidak lagi dikelola oleh Intel. Intel tidak akan memberikan atau menjamin pengembangan atau dukungan untuk proyek ini, termasuk namun tidak terbatas pada, pemeliharaan, perbaikan bug, rilis atau pembaruan baru. Patch pada proyek ini tidak lagi diterima oleh Intel. Jika Anda masih memiliki kebutuhan untuk menggunakan proyek ini, tertarik untuk mengembangkannya secara mandiri, atau ingin mempertahankan patch untuk komunitas, silakan buat cabang proyek Anda sendiri.

neon

neon adalah kerangka pembelajaran mendalam referensi Intel yang berkomitmen untuk kinerja terbaik di semua perangkat keras. Dirancang untuk kemudahan penggunaan dan ekstensibilitas.

Tutorial dan buku catatan iPython untuk membantu pengguna mulai menggunakan neon untuk pembelajaran mendalam.
Dukungan untuk lapisan yang umum digunakan: konvolusi, RNN, LSTM, GRU, BatchNorm, dan banyak lagi.
Model Zoo berisi bobot terlatih dan skrip contoh untuk model awal, termasuk: VGG, Pembelajaran penguatan, Jaringan Residu Dalam, Teks Gambar, Analisis Sentimen, dan banyak lagi.
Backend perangkat keras yang dapat ditukar: tulis kode satu kali lalu terapkan pada CPU, GPU, atau perangkat keras Nervana

Untuk iterasi cepat dan eksplorasi model, neon memiliki performa tercepat di antara pustaka pembelajaran mendalam (kecepatan 2x cuDNNv4, lihat tolok ukur).

2.5s/macrobatch (3072 gambar) di AlexNet di Titan X (Berjalan penuh pada 1 GPU ~ 26 jam)
Melatih VGG dengan floating point 16-bit pada 1 Titan X membutuhkan waktu ~10 hari (kertas asli: 4 GPU selama 2-3 minggu)

Kami menggunakan neon secara internal di Intel Nervana untuk menyelesaikan masalah pelanggan kami di banyak domain. Kami merekrut beberapa peran. Lamar di sini!

Lihat fitur-fitur baru di rilis terbaru kami. Kami ingin menyoroti bahwa neon v2.0.0+ telah dioptimalkan untuk kinerja yang jauh lebih baik pada CPU dengan mengaktifkan Intel Math Kernel Library (MKL). Komponen DNN (Deep Neural Networks) MKL yang digunakan oleh neon disediakan secara gratis dan diunduh secara otomatis sebagai bagian dari instalasi neon.

Instal Cepat

Instalasi dan ketergantungan lokal

Pada mesin Mac OSX atau Linux, masukkan yang berikut ini untuk mengunduh dan menginstal neon (pengguna conda melihat panduannya), dan menggunakannya untuk melatih perceptron multi-layer pertama Anda. Untuk memaksa instalasi python2 atau python3, ganti make di bawah ini dengan make python2 atau make python3 .

    git clone https://github.com/NervanaSystems/neon.git
    cd neon
    make
    . .venv/bin/activate

Dimulai setelah neon v2.2.0, cabang master neon akan diperbarui setiap minggu dengan pekerjaan yang sedang berlangsung menuju rilis berikutnya. Periksa tag rilis (misalnya, "git checkout v2.2.0") untuk rilis stabil. Atau cukup periksa tag rilis "terbaru" untuk mendapatkan rilis stabil terbaru (yaitu, "git checkout terbaru")

Instal melalui pypi

Dari versi 2.4.0, kami mengaktifkan kembali instalasi pip. Neon dapat diinstal menggunakan nama paket nervananeon.

    pip install nervananeon

Perlu dicatat bahwa aeon perlu diinstal secara terpisah. Rilis terbaru v2.6.0 menggunakan aeon v1.3.0.

Peringatan

Antara neon v2.1.0 dan v2.2.0, format file manifes aeon telah diubah. Saat memperbarui dari neon <v2.2.0, manifes harus dibuat ulang menggunakan skrip penyerapan (dalam folder contoh) atau diperbarui menggunakan skrip ini.

Gunakan skrip untuk menjalankan contoh

    python examples/mnist_mlp.py

Memilih mesin backend dari baris perintah

Backend GPU dipilih secara default, jadi perintah di atas setara dengan jika sumber daya GPU yang kompatibel ditemukan di sistem:

    python examples/mnist_mlp.py -b gpu

Jika tidak ada GPU yang tersedia, backend CPU (MKL) yang dioptimalkan kini dipilih secara default mulai neon v2.1.0, yang berarti perintah di atas sekarang setara dengan:

    python examples/mnist_mlp.py -b mkl

Jika Anda tertarik untuk membandingkan backend mkl default dengan backend CPU yang tidak dioptimalkan, gunakan perintah berikut:

    python examples/mnist_mlp.py -b cpu

Gunakan file yaml untuk menjalankan contoh

Alternatifnya, file yaml dapat digunakan untuk menjalankan contoh.

    neon examples/mnist_mlp.yaml

Untuk memilih backend tertentu dalam file yaml, tambahkan atau ubah baris yang berisi backend: mkl untuk mengaktifkan mkl backend, atau backend: cpu untuk mengaktifkan cpu backend. Backend GPU dipilih secara default jika GPU tersedia.

Pengaturan yang Direkomendasikan untuk neon dengan MKL pada Arsitektur Intel

Perpustakaan Intel Math Kernel memanfaatkan kemampuan paralelisasi dan vektorisasi sistem Intel Xeon dan Xeon Phi. Ketika hyperthreading diaktifkan pada sistem, kami merekomendasikan pengaturan KMP_AFFINITY berikut untuk memastikan thread paralel dipetakan 1:1 ke inti fisik yang tersedia.

    export OMP_NUM_THREADS= < Number of Physical Cores >
    export KMP_AFFINITY=compact,1,0,granularity=fine

atau

    export OMP_NUM_THREADS= < Number of Physical Cores >
    export KMP_AFFINITY=verbose,granularity=fine,proclist=[0- < Number of Physical Cores > ],explicit

Untuk informasi lebih lanjut tentang KMP_AFFINITY, silakan periksa di sini. Kami mendorong pengguna untuk mulai mencoba dan menetapkan pengaturan kinerja terbaik mereka sendiri.

Dokumentasi

Dokumentasi lengkap untuk neon tersedia di sini. Beberapa titik awal yang berguna adalah:

Tutorial untuk neon
Ikhtisar alur kerja neon
dokumentasi API
Sumber daya untuk neon dan pembelajaran mendalam

Mendukung

Untuk bug atau permintaan fitur apa pun, silakan:

Telusuri daftar masalah terbuka dan tertutup untuk melihat apakah kami sudah mengerjakan apa yang Anda temukan.
Pastikan masalah/permintaan Anda belum dibahas di Pertanyaan Umum (FAQ) kami atau grup Google pengguna neon.
Ajukan masalah baru atau kirimkan permintaan penarikan baru jika Anda memiliki beberapa kode yang ingin Anda sumbangkan

Untuk pertanyaan dan diskusi lainnya, silakan kirim pesan ke grup Google pengguna neon