Download neon - download do código-fonte neon

neon

Pitão

ved SSD CPU performance

Baixar

DESCONTINUAÇÃO DO PROJETO. Este projeto não será mais mantido pela Intel. A Intel não fornecerá nem garantirá o desenvolvimento ou suporte para este projeto, incluindo, entre outros, manutenção, correções de bugs, novos lançamentos ou atualizações. Patches para este projeto não são mais aceitos pela Intel. Se você tem uma necessidade contínua de usar este projeto, está interessado em desenvolvê-lo de forma independente ou gostaria de manter patches para a comunidade, crie seu próprio fork do projeto.

néon

neon é a estrutura de aprendizagem profunda de referência da Intel, comprometida com o melhor desempenho em todos os hardwares. Projetado para facilidade de uso e extensibilidade.

Tutoriais e notebooks iPython para que os usuários comecem a usar o neon para aprendizado profundo.
Suporte para camadas comumente usadas: convolução, RNN, LSTM, GRU, BatchNorm e muito mais.
O Model Zoo contém pesos pré-treinados e scripts de exemplo para modelos de última geração, incluindo: VGG, aprendizado por reforço, redes residuais profundas, legendas de imagens, análise de sentimentos e muito mais.
Back-ends de hardware trocáveis: escreva o código uma vez e depois implante em CPUs, GPUs ou hardware Nervana

Para iteração rápida e exploração de modelos, neon tem o desempenho mais rápido entre as bibliotecas de aprendizado profundo (velocidade 2x de cuDNNv4, consulte benchmarks).

2,5s/macrobatch (3.072 imagens) no AlexNet no Titan X (execução completa em 1 GPU ~ 26 horas)
Treinar VGG com ponto flutuante de 16 bits em 1 Titan X leva aproximadamente 10 dias (artigo original: 4 GPUs por 2 a 3 semanas)

Usamos neon internamente na Intel Nervana para resolver os problemas de nossos clientes em vários domínios. Estamos contratando para diversas funções. Inscreva-se aqui!

Veja os novos recursos em nosso último lançamento. Queremos destacar que o neon v2.0.0+ foi otimizado para um desempenho muito melhor em CPUs ao habilitar a Intel Math Kernel Library (MKL). O componente DNN (Deep Neural Networks) do MKL usado pelo neon é fornecido gratuitamente e baixado automaticamente como parte da instalação do neon.

Instalação rápida

Instalação local e dependências

Em uma máquina Mac OSX ou Linux, digite o seguinte para baixar e instalar o neon (usuários do conda consulte o guia) e use-o para treinar seu primeiro perceptron multicamadas. Para forçar uma instalação de python2 ou python3, substitua make abaixo por make python2 ou make python3 .

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

A partir do neon v2.2.0, o branch master do neon será atualizado semanalmente com o trabalho em andamento para o próximo lançamento. Confira uma tag de lançamento (por exemplo, "git checkout v2.2.0") para uma versão estável. Ou simplesmente verifique a tag de lançamento "mais recente" para obter a versão estável mais recente (ou seja, "git checkout mais recente")

Instalar via pypi

A partir da versão 2.4.0, reativamos a instalação do pip. Neon pode ser instalado usando o nome do pacote nervananeon.

    pip install nervananeon

Observa-se que o aeon precisa ser instalado separadamente. A versão mais recente v2.6.0 usa aeon v1.3.0.

Aviso

Entre neon v2.1.0 e v2.2.0, o formato do arquivo de manifesto aeon foi alterado. Ao atualizar do neon <v2.2.0, os manifestos devem ser recriados usando scripts de ingestão (na pasta de exemplos) ou atualizados usando este script.

Use um script para executar um exemplo

    python examples/mnist_mlp.py

Selecionando um mecanismo de back-end na linha de comando

O backend GPU é selecionado por padrão, então o comando acima é equivalente a se um recurso GPU compatível for encontrado no sistema:

    python examples/mnist_mlp.py -b gpu

Quando nenhuma GPU está disponível, o backend de CPU otimizado (MKL) agora é selecionado por padrão a partir do neon v2.1.0, o que significa que o comando acima agora é equivalente a:

    python examples/mnist_mlp.py -b mkl

Se você estiver interessado em comparar o back-end mkl padrão com o back-end de CPU não otimizado, use o seguinte comando:

    python examples/mnist_mlp.py -b cpu

Use um arquivo yaml para executar um exemplo

Alternativamente, um arquivo yaml pode ser usado para executar um exemplo.

    neon examples/mnist_mlp.yaml

Para selecionar um backend específico em um arquivo yaml, adicione ou modifique uma linha que contenha backend: mkl para habilitar o backend mkl ou backend: cpu para habilitar o backend da CPU. O back-end da GPU é selecionado por padrão se uma GPU estiver disponível.

Configurações recomendadas para neon com MKL em arquiteturas Intel

A Intel Math Kernel Library aproveita os recursos de paralelização e vetorização dos sistemas Intel Xeon e Xeon Phi. Quando o hyperthreading está habilitado no sistema, recomendamos a seguinte configuração KMP_AFFINITY para garantir que os threads paralelos sejam mapeados 1:1 para os núcleos físicos disponíveis.

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

ou

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

Para obter mais informações sobre KMP_AFFINITY, verifique aqui. Encorajamos os usuários a tentar e estabelecer suas próprias configurações de melhor desempenho.

Documentação

A documentação completa do neon está disponível aqui. Alguns pontos de partida úteis são:

Tutoriais para néon
Visão geral do fluxo de trabalho neon
Documentação da API
Recursos para néon e aprendizagem profunda

Apoiar

Para quaisquer bugs ou solicitações de recursos, por favor:

Pesquise a lista de problemas abertos e fechados para ver se já estamos trabalhando no que você descobriu.
Verifique se seu problema/solicitação ainda não foi abordado em nossas Perguntas frequentes (FAQ) ou no grupo de usuários neon do Google.
Registre um novo problema ou envie uma nova solicitação pull se você tiver algum código com o qual gostaria de contribuir

Para outras perguntas e discussões, poste uma mensagem no grupo de usuários neon do Google