CNTK Versionshinweise v2.4
Highlights dieses Releases
- Verschoben in CUDA9, cuDNN 7 und Visual Studio 2017.
- Python 3.4-Unterstützung wurde entfernt.
- Volta GPU und FP16-Unterstützung hinzugefügt.
- Bessere ONNX-Unterstützung.
- CPU-Perf-Verbesserung.
- Weitere OPs.
Ops
top_k
Operation: Im Vorwärtsdurchlauf berechnet es die obersten (größten) k-Werte und entsprechende Indizes entlang der angegebenen Achse. Im Rückwärtsdurchlauf wird der Farbverlauf auf die oberen k-Elemente gestreut (ein Element, das sich nicht im oberen k befindet, erhält einen Nullverlauf).gather
Der Vorgang unterstützt jetzt ein Achsenargumentsqueeze
undexpand_dims
Vorgänge zum einfachen Entfernen und Hinzufügen von Singletonachsenzeros_like
undones_like
Vorgänge. In vielen Situationen können Sie sich einfach darauf verlassen, CNTK eine einfache 0 oder 1 richtig senden, aber manchmal benötigen Sie den tatsächlichen Tensor.depth_to_space
: Neuanordnen von Elementen im Eingabe-Tensor aus der Tiefendimension in räumliche Blöcke. Typischer Einsatz dieses Vorgangs ist die Implementierung von Subpixelkonvolution für einige Bild-Superauflösungsmodelle.space_to_depth
: Neuanordnen von Elementen im Eingabe-Tensor von den räumlichen Dimensionen bis zur Tiefendimension. Es ist weitgehend die Umkehrung von DepthToSpace.sum
operation: Create a new Function instance that computes element-wise sum of input tensors.softsign
operation: Create a new Function instance that computes the element-wise softsign of a input tensor.asinh
operation: Create a new Function instance that computes the element-wise asinh of a input tensor.log_softmax
operation: Create a new Function instance that computes the logsoftmax normalized values of a input tensor.hard_sigmoid
operation: Create a new Function instance that computes the hard_sigmoid normalized values of a input tensor.element_and
,element_not
,element_or
element_xor
elementweise Logikvorgängereduce_l1
operation: Berechnet die L1-Norm des Eingabe-Tensors-Elements entlang der bereitgestellten Achsen.reduce_l2
operation: Berechnet die L2-Norm des Eingabe-Tensors-Elements entlang der bereitgestellten Achsen..reduce_sum_square
operation: Berechnet das Summen-Quadrat des Eingabe-Tensors-Elements entlang der bereitgestellten Achsen.image_scaler
operation: Änderung des Bilds durch Skalieren der einzelnen Werte.
ONNX
- In CNTK wurden mehrere Verbesserungen an der ONNX-Unterstützung vorgenommen.
- Aktualisierungen
- Aktualisiert ONNX
Reshape
op to handleInferredDimension
. - Hinzufügen
producer_name
undproducer_version
Felder zu ONNX-Modellen - Behandeln sie den Fall, wenn weder
auto_pad
pads
atrribute in ONNXConv
op angegeben wird.
- Aktualisiert ONNX
- Behebung von Programmfehlern
- Fehler beim ONNX-Op-Serialisierung
Pooling
behoben - Fehlerkorrektur zum Erstellen von ONNX
InputVariable
mit nur einer Batchachse. - Fehlerkorrekturen und Updates für die Implementierung von ONNX
Transpose
op zur Übereinstimmung mit aktualisierten Spezifikationen. - Fehlerkorrekturen und Updates für die Implementierung von ONNX
Conv
,ConvTranspose
undPooling
Ops zur Übereinstimmung mit aktualisierten Spezifikationen.
- Fehler beim ONNX-Op-Serialisierung
Operatoren
- Gruppenkonvolution
- Fehler bei Gruppenkonvolution behoben. Die Ausgabe von CNTK
Convolution
op ändert sich für Gruppen > 1. Eine optimierte Implementierung von Gruppenkonvolution wird in der nächsten Version erwartet. - Bessere Fehlerberichterstattung für Gruppenkonvolution in
Convolution
Schicht.
- Fehler bei Gruppenkonvolution behoben. Die Ausgabe von CNTK
Halide Binary Convolution
- Der CNTK Build kann jetzt optionale Halide-Bibliotheken verwenden, um Bibliothek zu erstellen
Cntk.BinaryConvolution.so/dll
, die mit demnetopt
Modul verwendet werden kann. Die Bibliothek enthält optimierte binäre Konvolutionoperatoren, die besser als die binarisierten binarisierten Konvolutionoperatoren ausführen. Um Halide im Build zu aktivieren, laden Sie die Halide-Version herunter , und legenHALIDE_PATH
Sie die Umgebungsvariale fest, bevor Sie einen Build starten. In Linux können Sie es aktivieren./configure --with-halide[=directory]
. Weitere Informationen zur Verwendung dieses Features finden Sie unter How_to_use_network_optimization.