neon

項目終止。英特爾將不再維護該項目。英特爾不會提供或保證該專案的開發或支持，包括但不限於維護、錯誤修復、新版本或更新。英特爾不再接受該項目的補丁。如果您持續需要使用該項目，有興趣獨立開發它，或想為社區維護補丁，請建立您自己的專案分支。

氖

neon 是英特爾的參考深度學習框架，致力於在所有硬體上實現最佳效能。專為易用性和可擴展性而設計。

• 教程和 iPython 筆記本，幫助使用者開始使用 neon 進行深度學習。
• 支援常用層：卷積、RNN、LSTM、GRU、BatchNorm 等。
• Model Zoo 包含用於最先進模型的預訓練權重和範例腳本，包括：VGG、強化學習、深度殘差網路、影像字幕、情緒分析等。
• 可交換硬體後端：編寫一次程式碼，然後部署在 CPU、GPU 或 Nervana 硬體上

對於快速迭代和模型探索，neon 在深度學習庫中具有最快的效能（速度是 cuDNNv4 的 2 倍，請參閱基準測試）。

• Titan X 上 AlexNet 上的 2.5 秒/巨集批次（3072 個影像）（在 1 個 GPU 上完全運行 ~ 26 小時）
• 在 1 Titan X 上使用 16 位元浮點訓練 VGG 大約需要 10 天（原始論文：4 個 GPU 2-3 週）

我們在 Intel Nervana 內部使用 neon 來解決客戶在多個領域的問題。我們正在招募多個職位。在這裡申請！

查看我們最新版本的新功能。我們想強調的是，neon v2.0.0+ 已透過啟用英特爾數學核心函數庫 (MKL) 進行了最佳化，以在 CPU 上實現更好的效能。 neon 使用的 MKL 的 DNN（深度神經網路）元件是免費提供的，並作為 neon 安裝的一部分自動下載。

快速安裝

• 本機安裝和相依性

在 Mac OSX 或 Linux 電腦上，輸入以下命令下載並安裝 neon（conda 使用者請參閱指南），並使用它來訓練您的第一個多層感知器。若要強制安裝 python2 或 python3，請將下面的make替換為make python2或make python3 。

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

從 neon v2.2.0 之後開始，neon 的主分支將每週更新一次，並為下一個版本進行工作。查看發布標籤（例如，「git checkout v2.2.0」）以獲得穩定版本。或只需查看“最新”版本標籤即可獲取最新的穩定版本（即“git checkout 最新”）

• 透過 pypi 安裝

從2.4.0版本開始，我們重新啟用了pip install。 Neon 可以使用套件名稱 nervananeon 進行安裝。

    pip install nervananeon

需要注意的是，aeon需要單獨安裝。最新版本v2.6.0使用aeon v1.3.0。

警告

在 neon v2.1.0 和 v2.2.0 之間，aeon 清單檔案格式已更改。從 neon < v2.2.0 更新時，必須使用攝取腳本（在範例資料夾中）重新建立清單或使用此腳本進行更新。

使用腳本運行範例

    python examples/mnist_mlp.py 

從命令列選擇後端引擎

預設選擇gpu後端，因此上面的指令相當於在系統上找到相容的GPU資源：

    python examples/mnist_mlp.py -b gpu

當沒有 GPU 可用時，從 neon v2.1.0 開始，現在預設選擇最佳化的CPU (MKL) 後端，這意味著上述命令現在相當於：

    python examples/mnist_mlp.py -b mkl

如果您有興趣將預設 mkl 後端與未最佳化的 CPU 後端進行比較，請使用下列命令：

    python examples/mnist_mlp.py -b cpu

使用yaml檔案運行範例

或者，可以使用 yaml 檔案來運行範例。

    neon examples/mnist_mlp.yaml

若要在 yaml 檔案中選擇特定後端，請新增或修改包含backend: mkl行以啟用 mkl 後端，或新增或修改backend: cpu行以啟用 cpu 後端。如果 GPU 可用，則預設選擇 GPU 後端。

英特爾架構上帶有 MKL 的 neon 的建議設置

英特爾數學內核庫利用英特爾至強和至強融核系統的平行化和向量化功能。當系統上啟用超線程時，我們建議使用以下 KMP_AFFINITY 設置，以確保並行線程 1:1 映射到可用的實體核心。

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

或者

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

有關 KMP_AFFINITY 的更多信息，請查看此處。我們鼓勵用戶開始嘗試並建立自己的最佳效能設定。

文件

此處提供了 neon 的完整文件。一些有用的起點是：

• 霓虹燈教學
• neon 工作流程概述
• API文件
• 霓虹燈和深度學習資源

支援

對於任何錯誤或功能請求，請：

1. 搜尋未解決和已解決的問題列表，看看我們是否已經在處理您發現的問題。
2. 檢查您的問題/請求是否已在我們的常見問題 (FAQ) 或 neon 用戶 Google 群組中解決。
3. 如果您想貢獻一些程式碼，請提交新問題或提交新的拉取請求

如有其他問題和討論，請向 neon-user Google 群組發布訊息

執照

我們根據開源 Apache 2.0 許可證發布 neon。我們歡迎您與我們聯繫並提供您的用例。