AWS ve Microsoft tarafından geliştirilen derin öğrenme kütüphanesi

Gluon, önceden oluşturulmuş, optimize edilmiş sinir ağı bileşenleri koleksiyonunu kullanarak makine öğrenim modellerini tanımlamak için net ve özlü bir API sağlar. Makine öğrenmesi için yeni olan geliştiriciler bu arayüzü geleneksel koda daha aşina bulacaklardır çünkü makine öğrenme modelleri diğer tüm veri yapıları gibi tanımlanıp manipüle edilebilir. Daha deneyimli veri bilimcileri ve araştırmacıları, prototipleri hızlı bir şekilde oluşturma ve tamamen yeni model mimarileri için dinamik sinir ağı grafiklerini, eğitim hızından ödün vermeden kullanma becerisine değer verecekler.

Gluon bugün Apache MXNet'te, yakında çıkacak bir Microsoft Cognitive Toolkit sürümü ve zaman içinde daha fazla çerçevede kullanıma sunulmuştur.

Gluon 4 temel yenilik sağlıyor;

Kullanıcı dostu API: Gluon ağları basit, açık ve özlü bir kod kullanılarak tanımlanabilir - bu, geliştiricilerin öğrenmesi daha kolay ve anlaşılması daha kolaydır ve ağları ve bunlarla ilişkili ağırlıklı puanlama işlevlerini tanımlamanın daha gizli ve resmi yollarından daha kolaydır.

Dinamik ağlar: Gluon'daki ağ tanımı dinamiktir: diğer tüm veri yapıları gibi bükülebilir ve esneyebilir. Bu, eğitim sırasında hesaplamayı etkili bir şekilde optimize etmek için derin öğrenme çerçevesinin etkili bir şekilde taşa yapması gereken bir ağın daha yaygın, resmi, sembolik tanımının aksinedir. Dinamik ağların yönetilmesi daha kolaydır ve Gluon ile geliştiriciler bu hızlı sembolik gösterimler ile ağ ve algoritmaların daha kolay, dinamik “zorunlu” tanımları arasında kolayca “hibridize” olur.
Algoritma, ağı tanımlayabilir: model ve eğitim algoritması birbirine çok daha yakın hale getirilir. Ayrı tanımlar yerine, algoritma tanımlama ve eğitim sırasında ağı dinamik olarak ayarlayabilir. Bu, yalnızca geliştiricilerin bu ağları oluşturmak için standart programlama döngüleri ve şartlandırmaları kullanabileceği anlamına gelmez, aynı zamanda araştırmacılar daha önce mümkün olmayan daha karmaşık algoritmalar ve modeller tanımlayabilirler. Hepsinin yaratılması, değiştirilmesi ve hata ayıklanması daha kolaydır.

Eğitim için yüksek performanslı operatörler: Eğitim hızından ödün vermeden samimi, özlü bir API ve dinamik grafiklere sahip olmayı mümkün kılar. Bu, makine öğrenmede ileriye yönelik büyük bir adımdır. Bazı çerçeveler derin öğrenmeye arkadaşça bir API veya dinamik grafikler getirir, ancak bu önceki yöntemlerin tümü eğitim hızı açısından bir maliyete neden olur. Diğer yazılım alanlarında olduğu gibi, soyutlama işlemi çalışma sırasında müzakere edilmesi ve yorumlanması gerektiğinden hesaplamayı yavaşlatabilir. Gluon, geliştiricinin belirli detayları bilmesi veya derleyici optimizasyonlarını manuel olarak yapması gerekmeden, özlü bir API'yı başlık altında resmi tanımlamayla verimli bir şekilde harmanlayabilir.