ngraph

Ngraph telah pindah ke OpenVino: https://github.com/openvinotoolkit/openvino

Arsitektur & Fitur | Ekosistem | Catatan Rilis | Dokumentasi | Panduan Kontribusi | Lisensi: Apache 2.0

Awal yang cepat

Untuk mulai menggunakan Ngraph dengan kerangka kerja populer, silakan merujuk ke tautan di bawah ini.

Kerangka kerja (versi)	Panduan Instalasi	Catatan
Tensorflow*	Pip Instal atau Build dari Sumber	20 beban kerja yang divalidasi
ONNX 1.5	Pip Instal	17 beban kerja yang divalidasi

Roda Python untuk Ngraph

Roda Python untuk Ngraph telah diuji dan didukung pada sistem 64-bit berikut:

• Ubuntu 16.04 atau lebih
• Centos 7.6
• Debian 10
• MacOS 10.14.3 (Mojave)

Untuk menginstal melalui PIP, jalankan:

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

Kerangka kerja menggunakan Ngraph Compiler Stack untuk mengeksekusi beban kerja telah menunjukkan hingga 45x peningkatan kinerja jika dibandingkan dengan implementasi kerangka kerja asli. Kami juga telah melihat peningkatan kinerja menjalankan beban kerja yang tidak termasuk dalam daftar
Beban kerja yang divalidasi, terima kasih kepada pencocokan pola subgraph Ngraph yang kuat.

Selain itu, kami telah mengintegrasikan Ngraph dengan PlaidML untuk memberikan akselerasi kinerja pembelajaran yang mendalam pada Intel, NVIDIA, & AMD GPU. Rincian lebih lanjut tentang arsitektur Ngraph Compiler Stack saat ini dapat ditemukan dalam arsitektur dan fitur, dan perubahan terbaru pada tumpukan dijelaskan dalam catatan rilis.

Apa itu Ngraph Compiler?

Ngraph Compiler bertujuan untuk mempercepat pengembangan beban kerja AI menggunakan kerangka kerja pembelajaran yang mendalam dan menggunakan berbagai target perangkat keras. Kami sangat percaya dalam memberikan kebebasan, kinerja, dan kemudahan penggunaan kepada pengembang AI.

Diagram di bawah ini menunjukkan kerangka kerja pembelajaran yang mendalam dan target perangkat keras yang didukung oleh Ngraph. NNP-T dan NNP-I dalam diagram merujuk pada akselerator pembelajaran mendalam generasi Intel berikutnya: Intel® Nervana ™ Neural Network Processor untuk pelatihan dan inferensi masing-masing. Rencana masa depan untuk mendukung kerangka kerja pembelajaran mendalam addtional dan backend diuraikan di bagian ekosistem.

Dokumentasi kami memiliki informasi luas tentang cara menggunakan Ngraph Compiler Stack untuk membuat grafik komputasi NGRAPH, mengintegrasikan kerangka kerja khusus, dan untuk berinteraksi dengan backend yang didukung. Jika Anda ingin berkontribusi pada proyek, jangan ragu untuk mengajukan pertanyaan dalam masalah GitHub setelah meninjau panduan kontribusi kami di bawah ini.

Bagaimana berkontribusi

Kami menyambut kontribusi komunitas untuk Ngraph. Jika Anda memiliki ide bagaimana memperbaikinya:

• Lihat Panduan Kontrib untuk pemformatan kode dan pedoman gaya.
• Bagikan proposal Anda melalui masalah GitHub.
• Pastikan Anda dapat membangun produk dan menjalankan semua contoh dengan tambalan Anda.
• Dalam hal fitur yang lebih besar, buat tes.
• Kirimkan permintaan tarik.
• Pastikan PR Anda lulus semua tes CI. Catatan: Anda dapat menguji secara lokal dengan make check .

Kami akan meninjau kontribusi Anda dan, jika ada perbaikan atau modifikasi tambahan, dapat memberikan umpan balik untuk memandu Anda. Saat diterima, permintaan tarik Anda akan digabungkan ke repositori.