neon 다운로드 - neon 소스 코드 다운로드

neon

파이썬

ved SSD CPU performance

다운로드

프로젝트 중단. 이 프로젝트는 더 이상 인텔에서 유지 관리하지 않습니다. 인텔은 유지 관리, 버그 수정, 새 릴리스 또는 업데이트를 포함하되 이에 국한되지 않는 이 프로젝트에 대한 개발 또는 지원을 제공하거나 보장하지 않습니다. 이 프로젝트의 패치는 더 이상 인텔에서 승인되지 않습니다. 이 프로젝트를 지속적으로 사용해야 하거나, 독립적으로 개발하는 데 관심이 있거나, 커뮤니티를 위한 패치를 유지하고 싶다면 프로젝트의 자체 포크를 만드십시오.

네온

네온은 모든 하드웨어에서 최고의 성능을 제공하기 위해 노력하는 인텔의 레퍼런스 딥 러닝 프레임워크입니다. 사용 편의성과 확장성을 고려하여 설계되었습니다.

사용자가 딥 러닝에 네온 사용을 시작할 수 있도록 돕는 튜토리얼 및 iPython 노트북입니다.
일반적으로 사용되는 레이어 지원: 컨볼루션, RNN, LSTM, GRU, BatchNorm 등.
Model Zoo에는 VGG, 강화 학습, 심층 잔여 네트워크, 이미지 캡션, 감정 분석 등을 포함한 최첨단 모델을 위한 사전 훈련된 가중치와 예제 스크립트가 포함되어 있습니다.
교체 가능한 하드웨어 백엔드: 코드를 한 번 작성한 후 CPU, GPU 또는 Nervana 하드웨어에 배포

빠른 반복 및 모델 탐색을 위해 네온은 딥 러닝 라이브러리 중에서 가장 빠른 성능을 제공합니다(cuDNNv4의 2배 속도, 벤치마크 참조).

Titan X의 AlexNet에서 2.5초/매크로배치(3072개 이미지)(1 GPU에서 전체 실행 ~ 26시간)
1개의 Titan X에서 16비트 부동 소수점을 사용하여 VGG를 훈련하는 데 최대 10일이 소요됩니다(원본 논문: 2~3주 동안 4개의 GPU)

우리는 Intel Nervana 내부에서 네온을 사용하여 다양한 영역에 걸쳐 고객의 문제를 해결합니다. 우리는 여러 역할에 걸쳐 채용하고 있습니다. 여기에서 신청하세요!

최신 릴리스의 새로운 기능을 확인하세요. 우리는 네온 v2.0.0+가 Intel MKL(Math Kernel Library)을 활성화하여 CPU에서 훨씬 더 나은 성능을 제공하도록 최적화되었음을 강조하고 싶습니다. 네온에서 사용하는 MKL의 DNN(심층 신경망) 구성 요소는 무료로 제공되며 네온 설치 과정에서 자동으로 다운로드됩니다.

빠른 설치

로컬 설치 및 종속성

Mac OSX 또는 Linux 시스템에서 다음을 입력하여 네온을 다운로드 및 설치하고(conda 사용자는 가이드 참조) 이를 사용하여 첫 번째 다층 퍼셉트론을 훈련시킵니다. python2 또는 python3을 강제로 설치하려면 아래의 make make python2 또는 make python3 으로 바꾸세요.

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

네온 v2.2.0부터 네온의 마스터 브랜치는 다음 릴리스를 위해 진행 중인 작업과 함께 매주 업데이트됩니다. 안정적인 릴리스는 릴리스 태그(예: "git checkout v2.2.0")를 확인하세요. 또는 최신 안정 릴리스를 얻으려면 "최신" 릴리스 태그를 확인하세요(예: "git checkoutlatest")

pypi를 통해 설치

버전 2.4.0부터 pip 설치를 다시 활성화했습니다. Neon은 패키지 이름 nervananeon을 사용하여 설치할 수 있습니다.

    pip install nervananeon

이온을 별도로 설치해야 한다는 점 참고하세요. 최신 릴리스 v2.6.0은 aeon v1.3.0을 사용합니다.

경고

네온 v2.1.0과 v2.2.0 사이에서 aeon 매니페스트 파일 형식이 변경되었습니다. 네온 < v2.2.0에서 업데이트하는 경우 수집 스크립트(예제 폴더에 있음)를 사용하여 매니페스트를 다시 생성하거나 이 스크립트를 사용하여 업데이트해야 합니다.

스크립트를 사용하여 예제 실행

    python examples/mnist_mlp.py

명령줄에서 백엔드 엔진 선택

GPU 백엔드는 기본적으로 선택되므로 위 명령은 호환되는 GPU 리소스가 시스템에서 발견된 경우와 동일합니다.

    python examples/mnist_mlp.py -b gpu

사용 가능한 GPU가 없는 경우 이제 네온 v2.1.0부터 최적화된 CPU(MKL) 백엔드가 기본적으로 선택됩니다. 이는 이제 위 명령이 다음과 동일함을 의미합니다.

    python examples/mnist_mlp.py -b mkl

기본 mkl 백엔드와 최적화되지 않은 CPU 백엔드를 비교하려면 다음 명령을 사용하세요.

    python examples/mnist_mlp.py -b cpu

yaml 파일을 사용하여 예제 실행

또는 yaml 파일을 사용하여 예제를 실행할 수도 있습니다.

    neon examples/mnist_mlp.yaml

yaml 파일에서 특정 백엔드를 선택하려면 backend: mkl 포함된 줄을 추가하거나 수정하여 mkl 백엔드를 활성화하거나 backend: cpu 사용하여 CPU 백엔드를 활성화합니다. GPU를 사용할 수 있는 경우 기본적으로 GPU 백엔드가 선택됩니다.

인텔 아키텍처에서 MKL을 사용하는 네온에 대한 권장 설정

Intel 수학 커널 라이브러리는 Intel Xeon 및 Xeon Phi 시스템의 병렬화 및 벡터화 기능을 활용합니다. 시스템에서 하이퍼스레딩이 활성화되면 다음 KMP_AFFINITY 설정을 사용하여 병렬 스레드가 사용 가능한 물리적 코어에 1:1로 매핑되도록 하는 것이 좋습니다.

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

또는

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

KMP_AFFINITY에 대한 자세한 내용은 여기를 확인하세요. 우리는 사용자가 스스로 최상의 성능 설정을 시도하고 설정하도록 권장합니다.