ngraph

NGRAPH ได้ย้ายไปที่ OpenVino: https://github.com/openvinotoolkit/openvino

สถาปัตยกรรมและคุณสมบัติ | ระบบ นิเวศ บันทึก ย่อ เอกสาร คู่มือการ บริจาค ใบอนุญาต: Apache 2.0

เริ่มต้นอย่างรวดเร็ว

ในการเริ่มต้นใช้ NGRAPH กับเฟรมเวิร์กยอดนิยมโปรดดูลิงค์ด้านล่าง

เฟรมเวิร์ก (เวอร์ชัน)	คู่มือการติดตั้ง	หมายเหตุ
tensorflow*	PIP ติดตั้งหรือสร้างจากแหล่งที่มา	20 เวิร์กโหลดที่ผ่านการตรวจสอบแล้ว
onnx 1.5	การติดตั้ง PIP	17 เวิร์กโหลดที่ผ่านการตรวจสอบแล้ว

ล้อ Python สำหรับ ngraph

ล้อ Python สำหรับ NGRAPH ได้รับการทดสอบและได้รับการสนับสนุนในระบบ 64 บิตต่อไปนี้:

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

ในการติดตั้งผ่าน PIP, Run:

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

เฟรมเวิร์กที่ใช้ NGRAPH คอมไพเลอร์สแต็กเพื่อดำเนินการเวิร์กโหลดได้เพิ่มประสิทธิภาพ สูงสุด 45X เมื่อเทียบกับการใช้งานเฟรมเวิร์กดั้งเดิม นอกจากนี้เรายังเห็นประสิทธิภาพช่วยเพิ่มปริมาณงานที่ไม่รวมอยู่ในรายการของ
เวิร์กโหลดที่ผ่านการตรวจสอบแล้วด้วยการจับคู่รูปแบบย่อยที่ทรงพลังของ NGRAPH

นอกจากนี้เรายังได้รวม NGRAPH กับ PlaidML เพื่อให้การเร่งประสิทธิภาพการเรียนรู้อย่างลึกซึ้งใน Intel, Nvidia และ AMD GPU รายละเอียดเพิ่มเติมเกี่ยวกับสถาปัตยกรรมปัจจุบันของ NGRAPH Compiler Stack สามารถพบได้ในสถาปัตยกรรมและคุณสมบัติและการเปลี่ยนแปลงล่าสุดของสแต็กจะอธิบายไว้ในบันทึกย่อ

คอมไพเลอร์ NGRAPH คืออะไร?

NGRAPH Compiler มีจุดมุ่งหมายเพื่อเร่งการพัฒนาเวิร์กโหลด AI โดยใช้กรอบการเรียนรู้เชิงลึกใด ๆ และปรับใช้กับเป้าหมายฮาร์ดแวร์ที่หลากหลาย เราเชื่อมั่นในการให้อิสระการแสดงและความสะดวกในการใช้งานแก่นักพัฒนา AI

แผนภาพด้านล่างแสดงกรอบการเรียนรู้ที่ลึกและเป้าหมายฮาร์ดแวร์ที่สนับสนุนโดย NGRAPH NNP-T และ NNP-I ในไดอะแกรมอ้างถึงตัวเร่งความเร็วการเรียนรู้ลึกของ Intel: Intel® Nervana ™ Neural Network Processor สำหรับการฝึกอบรมและการอนุมานตามลำดับ แผนการในอนาคตสำหรับการสนับสนุนกรอบการเรียนรู้ลึกและแบ็กเอนด์ที่ระบุไว้ในส่วนระบบนิเวศ

เอกสารของเรามีข้อมูลที่กว้างขวางเกี่ยวกับวิธีการใช้ NGRAPH Compiler Stack เพื่อสร้างกราฟการคำนวณ NGRAPH รวมกรอบที่กำหนดเองและเพื่อโต้ตอบกับแบ็กเอนด์ที่รองรับ หากคุณต้องการมีส่วนร่วมในโครงการโปรดอย่าลังเลที่จะถามคำถามในปัญหา GitHub หลังจากตรวจสอบคู่มือการบริจาคของเราด้านล่าง

วิธีการมีส่วนร่วม

เรายินดีต้อนรับการมีส่วนร่วมของชุมชนใน NGRAPH หากคุณมีความคิดว่าจะปรับปรุงได้อย่างไร:

• ดูคู่มือ Contrib สำหรับการจัดรูปแบบรหัสและแนวทางสไตล์
• แบ่งปันข้อเสนอของคุณผ่านปัญหา GitHub
• ตรวจสอบให้แน่ใจว่าคุณสามารถสร้างผลิตภัณฑ์และเรียกใช้ตัวอย่างทั้งหมดด้วยแพตช์ของคุณ
• ในกรณีของคุณสมบัติที่ใหญ่กว่าให้สร้างการทดสอบ
• ส่งคำขอดึง
• ตรวจสอบให้แน่ใจว่าการประชาสัมพันธ์ของคุณผ่านการทดสอบ CI ทั้งหมด หมายเหตุ: คุณสามารถทดสอบในพื้นที่ด้วย make check

เราจะตรวจสอบการมีส่วนร่วมของคุณและหากจำเป็นต้องมีการแก้ไขเพิ่มเติมหรือการแก้ไขเพิ่มเติมอาจให้ข้อเสนอแนะเพื่อเป็นแนวทางในการแนะนำคุณ เมื่อได้รับการยอมรับคำขอดึงของคุณจะถูกรวมเข้ากับที่เก็บ