Die Microsoft Cognitive Toolkit

HINWEIS: CNTK wird nicht mehr aktiv entwickelt. Ausführliche Informationen finden Sie in den Versionshinweisen der endgültigen Hauptversion .

Das Microsoft Cognitive Toolkit (CNTK) ist ein Open-Source-Toolkit für verteiltes Deep Learning auf kommerzieller Ebene. Es beschreibt neurale Netzwerke als Eine Reihe von Rechenschritten über ein gerichtetes Diagramm. CNTK ermöglicht es dem Benutzer, beliebte Modelltypen wie Feed-Forward DNNs, convolutional neural networks (CNNs) und wiederkehrende neurale Netzwerke (RNNs/LSTMs) leicht zu erkennen und zu kombinieren. CNTK implementiert stochastische Farbverlaufsabstiege (SGD, Error BackPropagation) mit automatischer Differenzierung und Parallelisierung über mehrere GPUs und Server hinweg.

Dieses Video bietet eine allgemeine Übersicht über das Toolkit. Informationen zu Deep Learning mit Microsoft Cognitive Toolkit CNTK.

Die neueste Version von CNTK ist 2.7.

CNTK kann als Bibliothek in Ihre Python-, C#- oder C++-Programme aufgenommen werden oder als eigenständiges Machine-Learning-Tool über eine eigene Modellbeschreibungssprache (BrainScript) verwendet werden. Darüber hinaus können Sie die CNTK-Modellauswertungsfunktionalität aus Ihren Java-Programmen verwenden.

CNTK unterstützt 64-Bit-Linux- oder 64-Bit-Windows-Betriebssysteme. Zum Installieren können Sie entweder vorab kompilierte Binärpakete auswählen oder das Toolkit aus der quelle kompilieren, die in GitHub bereitgestellt wird.

Eine separate Lizenz ist nicht mehr erforderlich, um den 1-Bit-Stochastic Gradient Descent (1-Bit SGD) in CNTK zu verwenden; Die 1-Bit-SGD ist unter der in GitHub bereitgestellten Lizenz verfügbar.

CNTK ist auch eines der ersten Deep-Learning-Toolkits zur Unterstützung des Open Neural Network Exchange ONNX-Formats , einer Open-Source-Gemeinsamen Modelldarstellung für die Interoperabilität und gemeinsame Optimierung des Frameworks. Von Microsoft entwickelt und von vielen anderen unterstützt, ermöglicht ONNX Entwicklern das Verschieben von Modellen zwischen Frameworks wie CNTK, Caffe2, MXNet und PyTorch.

Die neueste Version von CNTK unterstützt ONNX v1.0.

Weitere Informationen zu ONNX finden Sie hier.