ngraph

Ngraph a déménagé à OpenVino: https://github.com/openvinotoolkit/openvino

Architecture et fonctionnalités | Écosystème | Notes de libération | Documentation | Guide de contribution | Licence: Apache 2.0

Démarrage rapide

Pour commencer à utiliser NGRAPH avec des cadres populaires, veuillez vous référer aux liens ci-dessous.

Framework (version)	Guide d'installation	Notes
TensorFlow *	PIP Installe ou construit à partir de la source	20 charges de travail validées
Onnx 1.5	Installation de PIP	17 charges de travail validées

Roues python pour ngraph

Les roues Python pour Ngraph ont été testées et sont prises en charge sur les systèmes 64 bits suivants:

• Ubuntu 16.04 ou plus tard
• Centos 7.6
• Debian 10
• MacOS 10.14.3 (Mojave)

Pour installer via PIP, exécutez:

 pip install --upgrade pip==19.3.1
pip install ngraph-core

Les frameworks utilisant la pile du compilateur NGRAPH pour exécuter les charges de travail ont affiché jusqu'à 45x Boost de performances par rapport aux implémentations du framework native. Nous avons également vu des performances stimulaires en cours d'exécution de charges de travail qui ne sont pas incluses sur la liste de
Les charges de travail validées, grâce à la puissante correspondance du modèle de sous-graphe de NGraph.

De plus, nous avons intégré NGRAPH avec PLAIDML pour fournir une accélération des performances d'apprentissage en profondeur sur les GPU Intel, Nvidia et AMD. Plus de détails sur l'architecture actuelle de la pile du compilateur NGRAPH peuvent être trouvés dans l'architecture et les fonctionnalités, et des modifications récentes de la pile sont expliquées dans les notes de version.

Qu'est-ce que le compilateur Ngraph?

Le compilateur NGRAPH vise à accélérer le développement de charges de travail en IA à l'aide de n'importe quel cadre d'apprentissage en profondeur et à déployer sur une variété de cibles matérielles. Nous croyons fermement à l'offre de la liberté, de la performance et de la facilité d'utilisation aux développeurs de l'IA.

Le diagramme ci-dessous montre des cadres d'apprentissage en profondeur et des cibles matérielles prises en charge par Ngraph. NNP-T et NNP-I dans le diagramme se réfèrent aux accélérateurs d'apprentissage en profondeur de prochaine génération d'Intel: processeur de réseau neuronal Intel® Nervana ™ pour la formation et l'inférence respectivement. Les plans futurs pour soutenir les cadres et les backends d'apprentissage en profondeur supplémentaires sont décrits dans la section écosystème.

Notre documentation comprend des informations approfondies sur la façon d'utiliser la pile de compilateurs NGRAPH pour créer un graphique de calcul NGRAPH, intégrer des frameworks personnalisés et interagir avec les backends pris en charge. Si vous souhaitez contribuer au projet, n'hésitez pas à poser des questions dans les problèmes de GitHub après avoir examiné notre guide de contribution ci-dessous.

Comment contribuer

Nous accueillons les contributions communautaires à NGRAPH. Si vous avez une idée de la façon de l'améliorer:

• Voir le Guide contributif pour la mise en forme du code et les directives de style.
• Partagez votre proposition via les problèmes de GitHub.
• Assurez-vous que vous pouvez créer le produit et exécuter tous les exemples avec votre correctif.
• Dans le cas d'une fonctionnalité plus grande, créez un test.
• Soumettre une demande de traction.
• Assurez-vous que votre PR passe tous les tests CI. Remarque: vous pouvez tester localement avec make check .

Nous examinerons votre contribution et, si des correctifs ou des modifications supplémentaires sont nécessaires, peut fournir des commentaires pour vous guider. Une fois accepté, votre demande de traction sera fusionnée au référentiel.