Share via

Notas de lançamento CNTK v2.7

  • Artigo

Querida comunidade,

Com as nossas contribuições em curso para a ONNX e para o ONNX Runtime, tornamos mais fácil a interoperação dentro do ecossistema-quadro da IA e o acesso a capacidades de inferição de plataformas cruzadas de alto desempenho, tanto para os modelos tradicionais de ML como para redes neuronais profundas. Ao longo dos últimos anos, tivemos o privilégio de desenvolver projetos de aprendizagem automática de código aberto, incluindo o Microsoft Cognitive Toolkit, que permitiu aos seus utilizadores alavancar os avanços a nível da indústria em aprendizagem profunda em escala.

O lançamento de hoje, 2.7, será o último lançamento principal da CNTK. Podemos ter algumas versões menores subsequentes para correções de erros, mas estas serão avaliadas caso a caso. Não há planos para o desenvolvimento de novos recursos após este lançamento.

O lançamento CNTK 2.7 conta com suporte total para ONNX 1.4.1, e encorajamos aqueles que procuram operacionalizar os seus modelos CNTK para tirar partido do ONNX e do ONNX Runtime. Seguindo em frente, os utilizadores podem continuar a alavancar as inovações ONNX em evolução através do número de quadros que a suportam. Por exemplo, os utilizadores podem exportar de forma nativa modelos ONNX de PyTorch ou converter modelos TensorFlow para ONNX com o conversor TensorFlow-ONNX.

Estamos incrivelmente gratos por todo o apoio que recebemos dos colaboradores e utilizadores ao longo dos anos desde a libertação inicial da CNTK. A CNTK permitiu que as equipas da Microsoft e os utilizadores externos executassem cargas de trabalho complexas e em larga escala em todos os tipos de aplicações de aprendizagem profunda, tais como avanços históricos no reconhecimento de voz alcançados pelos investigadores do Microsoft Speech, os autores do quadro.

Uma vez que a ONNX é cada vez mais empregada em servir modelos utilizados em produtos da Microsoft, como o Bing e o Office, dedicamo-nos a sintetizar inovações da investigação com as rigorosas exigências de produção para progredir no ecossistema.

Acima de tudo, o nosso objetivo é tornar as inovações em aprendizagem profunda através das pilhas de software e hardware o mais abertas e acessíveis possível. Trabalharemos arduamente para que tanto os pontos fortes existentes da CNTK como a investigação de ponta em outros projetos de código aberto aumentem verdadeiramente o alcance de tais tecnologias.

Com gratidão,

- A equipa da CNTK

Destaques desta versão

  • Mudou-se para CUDA 10 para windows e Linux.
  • Suporte loop RNN avançado na exportação ONNX.
  • Exportar modelos maiores do que 2GB em formato ONNX.
  • Suporte FP16 em brain script ação de comboio.

Suporte CNTK para CUDA 10

A CNTK agora suporta CUDA 10. Isto requer uma atualização para construir ambiente para Visual Studio 2017 v15.9 para Windows.

Para configurar o ambiente de construção e tempo de execução no Windows:

Para configurar o ambiente de construção e tempo de execução em Linux usando docker, por favor construa a imagem de estiva de Unbuntu 16.04 usando Dockerfiles aqui. Para outros sistemas Linux, consulte os Dockerfiles para configurar bibliotecas dependentes para cNTK.

Suporte advance RNN loop na exportação ONNX

Os modelos CNTK com laços recursivos podem ser exportados para modelos ONNX com ops de digitalização.

Exportar modelos maiores do que 2GB em formato ONNX

Para exportar modelos maiores do que 2GB em formato ONNX, utilize o cntk. Função API: guardar (self, filename, format=ModelFormat.CNTKv2, use_external_files_to_store_parameters=Falso) com 'formato' definido para ModelFormat.ONNX e use_external_files_to_store_parameters definido para True. Neste caso, os parâmetros do modelo são guardados em ficheiros externos. Os modelos exportados devem ser utilizados com ficheiros de parâmetros externos durante a avaliação do modelo com tempo de execução onnxrun.

2018-11-26.
A Netron suporta agora a visualização de ficheiros CNTK v1 e CNTK v2 .model .

NetronCNTKDark1NetronCNTKLight1