Opmerkingen bij de release van CNTK v2.7

Beste community,

Met onze doorlopende bijdragen aan ONNX en de ONNX Runtime hebben we het eenvoudiger gemaakt om samen te werken binnen het AI-frameworkecosysteem en toegang te krijgen tot hoogwaardige, platformoverschrijdende deductiemogelijkheden voor zowel traditionele ML-modellen als deep neurale netwerken. De afgelopen jaren zijn we bevoegd om dergelijke opensource machine learning-projecten te ontwikkelen, waaronder de Microsoft Cognitive Toolkit, waarmee de gebruikers op grote schaal gebruikmaken van verbeteringen in deep learning.

De 2.7-release van vandaag is de laatste hoofdrelease van CNTK. We hebben mogelijk enkele volgende secundaire releases voor bugfixes, maar deze worden per geval geëvalueerd. Er zijn geen plannen voor nieuwe functieontwikkeling na deze release.

De CNTK 2.7-release biedt volledige ondersteuning voor ONNX 1.4.1 en we moedigen degenen aan om hun CNTK-modellen operationeel te maken om te profiteren van ONNX en de ONNX Runtime. In de toekomst kunnen gebruikers blijven profiteren van veranderende ONNX-innovaties via het aantal frameworks dat dit ondersteunt. Gebruikers kunnen bijvoorbeeld systeemeigen ONNX-modellen exporteren uit PyTorch of TensorFlow-modellen converteren naar ONNX met het TensorFlow-ONNX-conversieprogramma.

We zijn ongelooflijk dankbaar voor alle ondersteuning die we hebben ontvangen van inzenders en gebruikers in de loop der jaren sinds de eerste opensource-release van CNTK. CNTK heeft zowel Microsoft-teams als externe gebruikers in staat gesteld om complexe en grootschalige workloads uit te voeren in allerlei deep learning-toepassingen, zoals historische doorbraaks in spraakherkenning die zijn bereikt door Microsoft Speech-onderzoekers, de oorsprongstoren van het framework.

Omdat ONNX steeds meer wordt gebruikt bij het bedienen van modellen die worden gebruikt in Microsoft-producten zoals Bing en Office, zijn we toegewijd aan het synthetiseren van innovaties uit onderzoek met de strenge eisen van productie om het ecosysteem vooruit te helpen.

Bovenal is ons doel om innovaties in deep learning in de software- en hardwarestacks zo open en toegankelijk mogelijk te maken. We zullen hard werken om zowel de bestaande sterke punten van CNTK als nieuw state-of-the-art onderzoek naar andere opensource-projecten te brengen om het bereik van dergelijke technologieën echt te vergroten.

Met dankbaarheid,

-- Het CNTK-team

Hoogtepunten van deze release

• Verplaatst naar CUDA 10 voor zowel Windows als Linux.
• Ondersteuning voor geavanceerde RNN-lus in ONNX-export.
• Exporteer groter dan 2 GB modellen in ONNX-indeling.
• Ondersteuning FP16 in Brain Script train action.

CNTK-ondersteuning voor CUDA 10

CNTK ondersteunt nu CUDA 10. Hiervoor moet een update worden uitgevoerd om een omgeving te bouwen naar Visual Studio 2017 v15.9 voor Windows.

Build- en runtime-omgeving instellen in Windows:

• Installeer Visual Studio 2017. Opmerking: vooruitgaand voor CUDA 10 en hoger is het niet meer nodig om te installeren en uit te voeren met de specifieke VC Tools versie 14.11.
• Nvidia CUDA 10 installeren
• Voer vanuit PowerShell het volgende uit: DevInstall.ps1
• Start Visual Studio 2017 en open CNTK.sln.

Als u een build- en runtime-omgeving wilt instellen in Linux met behulp van docker, bouwt u hier Unbuntu 16.04 docker-installatiekopieën met behulp van Dockerfiles. Raadpleeg voor andere Linux-systemen de Dockerfiles om afhankelijke bibliotheken voor CNTK in te stellen.

Ondersteuning voor geavanceerde RNN-lus in ONNX-export

CNTK-modellen met recursieve lussen kunnen worden geëxporteerd naar ONNX-modellen met scan-ops.

Groter dan 2 GB modellen exporteren in ONNX-indeling

Als u modellen wilt exporteren die groter zijn dan 2 GB in ONNX-indeling, gebruikt u cntk. Functie-API: save(self, bestandsnaam, format=ModelFormat.CNTKv2, use_external_files_to_store_parameters=False) met 'format' ingesteld op ModelFormat.ONNX en use_external_files_to_store_parameters ingesteld op True. In dit geval worden modelparameters opgeslagen in externe bestanden. Geëxporteerde modellen worden gebruikt met externe parameterbestanden bij het uitvoeren van modelevaluatie met onnxruntime.

2018-11-26.
Netron biedt nu ondersteuning voor het visualiseren van CNTK v1- en CNTK v2-bestanden .model .