Новый ml: Mercedes-Benz M-Class › Цена и комплектации 2021

Просмотров: 1 231

Кроссовер Mercedes-Benz GLE – новая модель в линейке кроссоверов Mercedes, которая займет место Mercedes ML. GLE будет выпущен на рынок с большим выбором бензиновых и дизельных двигателей, а также гибридной силовой установкой. В автосалонах кроссовер появится в августе.

Модельный ряд GLE будет представлен следующими основными версиями: дизельный GLE300d, бензиновые GLE350 и GLE400, гибридный GLE550e и две версии AMG – GLE63 и GLE63 S.

Дизельный вариант получит 2,1-литровый турбированный четырехцилиндровый двигатель мощностью 201 л.с. и 500 Нм крутящего момента при 1600 оборотах в минуту. В паре – семиступенчатая автоматическая коробка передач и полный привод. До сотни автомобиль разгоняется за 8,9 секунд.

GLE350 поставляется с ожидаемым 3,5-литровым V6 мощностью 302 л. с. и 370 Нм крутящего момента. GLE400 получает битурбированный 3,0-литровый V6, выдающий 329 л.с. и 480 крутящего момента. Оба разгоняются от 0 до 100 км/ч за 7,5 секунд. GLE63 выйдет с 5,5-литровым битурбированным двигателем с 550 л.с. и 700 Нм крутящего момента; GLE63 S – с двигателем мощностью 577 л.с. и 760 Нм. Обе модели разгоняются до 100 км/ч примерно за 4 секунды.

Для версий 300d, 400 и AMG полный привод входит в базовую комплектацию, для 350 является опциональным.

Гибридный GLE550e поступит в продажу самое раннее в сентябре. Автомобиль будет оснащен 329-сильным битурбированным шестицилиндровым мотором и 8,8-киловаттным аккумулятором. GLE550e имеет четыре режима вождения. Режим Hybrid автоматически выбирает оптимальную комбинацию использования двигателя внутреннего сгорания и/или электродвигателя. E-Mode, E-Save и Charge регулируют использование батарей в зависимости от стиля вождения.

На GLE также установлена система динамического выбора режима вождения Dynamic Select, предлагающая водителю настроить опции автомобиля для индивидуального, комфортабельного, спортивного типа вождения, а также вождения на скользкой дороге. Для бездорожья компания предложит версии с системой 4Matic или с пакетом опций Off-Road Engineering.

В базовую комплектацию автомобиля входит пневматическая подвеска Airmatic, а также система Active Curve System. Обе работают постоянно, обеспечивая повышенную безопасность и комфортность вождения, независимо от дорожного покрытия. Положение автомобиля и его изменения контролируются и отображаются на центральном дисплее благодаря специальным датчикам, реагирующим на малейшие изменения положения машины в пространстве, а также датчика скорости движения ESP и датчика срабатывания тормозов. Модели AMG будут дополнительно оснащаться системой AMG Ride Control.

Цветовая отделка салона Mercedes-Benz GLE включает варианты: бежевый имбирь, кофейный, коричневая кожа, фарфор. В базовую комплектацию входит алюминиевая отделка, опционально предлагаются черный рояль и дерево.

Ну и, конечно, какой Mercedes без огромного пакета ассист-систем и комфорт-систем, включающих круиз-контроль, доводчики дверей, парктроники, камеры заднего вида и многое другое.

Немцы представили новое поколение кроссовера Mercedes ML — ДРАЙВ

Вслед за недавно уплывшими в Сеть сканами буклета о новом поколении кроссовера Mercedes ML появились и официальные фотографии, а также первая порция технической информации. Конструктивно третья генерация паркетника мало отличается от предшественника. Но в том, что касается внешности, — тут нам есть, что обсудить.

Новый ML не попал в одну волну с Е-классом и паркетником GLK. Два года назад, когда окончательно утверждался дизайн большого Мерседеса, стилистическое направление уже изменилось в сторону более плавных форм. Попытка смягчить ML дала странный результат. Новый кроссовер получился негармоничным: спереди и сбоку машина производит разное впечатление. В профиль модель стала жёстче: сохранив характерную форму задней стойки, немцы задрали подоконную линию и уменьшили площадь бокового остекления — неплохо и узнаваемо. Но фары в стиле купе CL слегка замылили передок, не очень выразительной получилась и корма.

Для такого рода проектов в английском языке есть ёмкий термин «redesign». Габаритные размеры нового Мерседеса: длина 4804 мм, ширина 1926, высота 1796.

Впечатление более крупного автомобиля — заслуга рельефных поверхностей: паркетник стал всего на 24 мм длиннее, на 16 мм шире и на 19 мм ниже. Выгодно преобразился интерьер, хотя в нём угадывается прежняя архитектура. Автомобиль построен на модернизированной платформе Мерседеса ML предыдущей генерации, но колёсная база осталась прежней — 2915 мм. В ожидании официального релиза мы не можем сказать, как изменилась масса полноприводника, а также какова судьба внедорожной версии с двухступенчатой раздаткой и блокировками дифференциалов.

• Новый интерьер собран с использованием унифицированных с другими Мерседесами модулей: например, блоков мультимедийной системы (получившей доступ в Интернет) и климат-контроля. Основное отличие от салона предыдущего поколения — больше дорогих материалов.
• Управление полноприводной трансмиссией возложено на новый контроллер, для которого предусмотрены режимы буксировки прицепа, движения по пересечённой местности и подъёма в гору, а также некий спортивный алгоритм. Кроме того, ML будет помогать водителю на крутых спусках.

Что касается моторной линейки, то изначально покупателям предложат на выбор три модификации. Базовый Mercedes ML 250 Bluetec будет дизельным: с рядной «четвёркой» объёмом 2,1 л, развивающей 204 л.с. и 500 Н•м. То есть новый кроссовер станет первой в своём классе «малолитражкой». Две другие версии Мерседеса — шестицилиндровые: ML 350 Bluetec оснащается трёхлитровым турбодизелем мощностью 258 л.с. (619 Н•м), а единственный бензиновый ML 350 BlueEfficiency — новым «непосредственным» двигателем M276 3.5 (306 л.с. 370 Н•м). Все моторы агрегатируются с семидиапазонным «автоматом».

За доплату ML будет оснащаться пневмоподвеской Airmatic, позволяющей изменять дорожный просвет, и электронноуправляемыми амортизаторами.

Гамму двигателей немцы планируют в дальнейшем расширять. Не за горами появление гибрида, а также «заряженной» модификации ML 63 AMG. Эти двое — на разных полюсах. Если место под капотом AMG-версии займёт битурбомотор V8 5.5 мощностью 544 л.с., то гибридный ML будет довольствоваться дизельной четвёркой 2.1, работающей в паре с электромотором. Однако этих антагонистов придётся ещё немного подождать, да и стандартный паркетник третьей генерации покажут не раньше осеннего мотор-шоу во Франкфурте. Зато европейские дилеры начнут приём заказов тогда же.

История

Впервые кроссовер Mercedes ML (W163) был представлен в 1997 году как ответ немцев успешному Лексусу RX. Автомобиль был разработан прежде всего для североамериканского рынка и производился на заводе DaimlerChrysler в штате Алабама. Кроссовер по умолчанию предлагался в пятиместном варианте, за дополнительную плату можно было заказать третий ряд сидений. Базовая версия ML 230 оснащалась четырёхцилиндровым двигателем объёмом 2,3 л, развивавшим 150 л.с. А шестицилиндровый ML 320 комплектовался общекорпоративным мотором 3,2 с тремя клапанами на цилиндр мощностью 218 л.с. В 1998-м паркетник ML удостоился награды в номинации North American Truck of the Year. С весны 1999 года в Европу поставлялась версия с «восьмёркой» мощностью 272 л.с. Агрегатировались двигатели с пятиступенчатыми «механикой» или «автоматом». Годом позже модельный ряд дополнили два новых варианта — экономичный ML 270 CDI и «заряженный» ML 55 AMG. В 2001 году автомобиль претерпел рестайлинг: изменилась оптика, количество подушек безопасности выросло до восьми, в боковых зеркалах появились повторители сигналов поворота, слегка посвежел интерьер.

Второе поколение паркетника ML (W164) было представлено в 2005 году в рамках мотор-шоу в Детройте. Автомобиль подрос в размерах: по сравнению с предшественником он стал на 15 см длиннее и на семь сантиметров шире. Экстерьер стал более агрессивным. Новая модель предлагалась в двух различных вариантах. Базовым был кроссовер с пружинной подвеской, постоянным полным приводом и модернизированной электронной противобуксовочной системой 4-ETS. Продвинутым считался внедорожный вариант Pro Off-Road с пневмоподвеской Airmatic (четыре фиксированных положения кузова, максимальный клиренс 291 мм), дополнительной раздаточной коробкой с понижающим рядом и блокировкой центрального и заднего дифференциалов. Пополнилась и моторная линейка: в неё вошли новый V6 3.5 мощностью 272 л.с. и два турбодизеля V6 для версий ML 280 CDI (190 л.с., 440 Н•м) и ML 320 CDI (224 л.с., 510 Н•м). Все двигатели агрегатировались с новым «автоматом» 7G-Tronic. В 2006 году появилась «заряженная» модификация ML 63 AMG: двигатель V8 6.2 развивал 510 л.с., разгоняя машину с места до 100 км/ч всего за пять секунд. Рестайлинг 2009 года был малозначительным, но тогда же появилась гибридная модификация кроссовера с бензиновой «шестёркой» 3. 5 и электромотором.

Новый ML-алгоритм работает до 15 раз быстрее на центральном процессоре, чем на видеоускорителе

Ученые из Университета Райса продемонстрировали программное обеспечение, которое работает на обычных процессорах и обучает глубокие нейронные сети в 15 раз быстрее, чем платформы на основе графических процессоров.

По словам исследователей, стоимость обучения нейросетей остается серьезным препятствием в развитии технологии, а компании тратят миллионы долларов в неделю на настройку рабочих нагрузок на ИИ.

Обучение глубоких нейросетей обычно представляет собой серию операций умножения матриц. Подобного рода рабочие нагрузки идеальны для графических процессоров, но последние стоят примерно в три раза больше, чем центральные процессоры общего назначения.

По словам разработчиков, сейчас отрасль сосредоточена на ускорении матричного умножения, однако они решили поработать с самим алгоритмом.

Исследователи преобразовали обучение глубоких нейросетей в поисковую задачу, которую можно решить с помощью хеш-таблиц. Их «сублинейный механизм глубокого обучения» (SLIDE) специально разработан для работы на стандартных процессорах. Как утверждают разработчики, он может превзойти обучение на основе графического процессора в 4-15 раз по скорости.

Так, обучение с использованием SLIDE на 44-ядерном ЦП оказалось более чем в 3,5 раза (1 час против 3,5 часов) быстрее, чем обучение с использованием Tensorflow на Tesla V100 при любом заданном уровне точности. На том же аппаратном обеспечении ЦП SLIDE работает более чем в 10 раз быстрее, чем Tensorflow.

В настоящее время исследователи работают над тем, чтобы улучшить производительность SLIDE с помощью ускорителей векторизации и оптимизации памяти в современных процессорах.

Код разработчиков доступен на GitHub.

Как отмечается в обсуждении, данный алгоритм предназначается именно для широких нейросетей, но не для сверточных.

ML 63 AMG / Mercedes-Benz в Азербайджане

Дьявольски сильный. Чертовски стильный

Цена, включая НДС от 103 900 €

Новый герой Mobile Legends — Глуо прибыл

8 марта 2021 г . : Новые герои Mobile Legends прибыли на расширенный сервер.

Кто новый герой Mobile Legends? В настоящее время в списке Mobile Legends есть десятки могущественных героев, и эта чрезвычайно популярная мобильная MOBA держит нас в напряжении, постоянно анонсируя как совершенно новых, так и переработанных персонажей.

Последние герои Mobile Legends сначала запускаются на продвинутом сервере, а затем становятся доступными широкой публике, поэтому мы уже имеем некоторое представление об их личности и навыках, хотя они постоянно модифицируются и балансируются в преддверии их грандиозного появления на оригинале. сервер.

Мы не только ожидаем появления новых героев Mobile Legends, но и Moonton также усердно работает над изменением некоторых из своих старых или более несбалансированных персонажей. Эти обновленные герои тестируются на продвинутом сервере, где они, несомненно, вызывают фурор в нашем обширном списке уровней Mobile Legends. Итак, без лишних слов, вот каждый Mobile Legends новый герой .

Последние МОБИЛЬНЫЕ ГЕРОИ ЛЕГЕНД НА расширенном сервере

МОБИЛЬНЫЕ ЛЕГЕНДЫ НОВЫЙ СЕРВЕР HERO ADVANCED

Глоо

Gloo — мощный танк, который при необходимости может расколоться на мелкие кусочки.Его способности замедляют и обездвиживают врагов, обычно после нанесения большого количества магического урона.

• Split, Split: Gloo разделяется на 12 меньших частей, каждая из которых наносит 100 магического урона каждые 0,6 секунды выбранному противнику
• Палка, Палка: Замедляет врагов на 8% на шесть секунд, дает Gloo HP каждый раз, когда он поражает прилипшего врага
• Slam, Slam: Gloo ударяет по земле и наносит огромный магический урон, оставляя после себя взрывоопасную слизь
• Pass, Pass: Глу растягивается и наносит огромный магический урон всем врагам на своем пути, временно обездвиживая их в процессе

Беатрикс

Беатрикс, также известная как «Солдат рассвета», — выдающийся стрелок, чей разнообразный арсенал дальнобойного оружия делает ее смертоносной издалека. Беатрикс также способна нанести приличный урон с близкого расстояния своим оружием Вескера, в то время как ее скорострельная Нибиру с легкостью пронзает врагов.

• Ярость Беннета: Беатрикс сосредотачивает свою ярость, вызывая бомбардировку заданной области в общей сложности пять раз. Каждая бомбардировка добавляет дополнительное замедление любому в области действия и наносит им дополнительный физический урон
• Страсть Нибиру: Беатрикс запускает быстрый залп из шести выстрелов с Нибиру, нанося огромный физический урон
• Апатия Ринера: Беатрикс стреляет в одном направлении и наносит физический урон всем врагам на линии огня
• Восторг Вескера: Беатрикс стреляет в Вескера быстро и метко, нанося физический урон любому врагу, который случайно получил удар.

Пакито

Новый герой, вдохновленный боксом, пробился на продвинутый сервер в рамках обновления 1.5.46, боксер ближнего боя, который бьет своих врагов сокрушительными ударами. Его навыки короткодействующие, но поражают нескольких врагов и быстро перезаряжаются. Вот его способности:

• Стойка чемпиона: Пакито собирает стойки, когда использует базовые атаки и навыки. Как только он достигнет четырех стаков, его другие способности будут усилены и нанесут больше урона
• Парирование: Пакито получает на 40% меньше урона в течение 2 секунд
• Annihilation Strike: Пакито бросается вперед, поражает врага, а затем бросается назад.Противники, пораженные его ультом, замедляются на 75% на 1 секунду

МАТИЛЬДА

Матильда — очень гибкий герой поддержки со способностью быстро перемещаться по окрестностям. Она предлагает разнообразный набор навыков, которые сделают ее бесценной на поле боя.

Вот ее навыки поближе:

• Ancestral Guidance: Mathilda получает положительный эффект, известный как Ancestral Guidance при движении. Как только он будет полностью заряжен, ее следующая базовая атака получит усиление магического урона, а ее скорость передвижения будет увеличена.
• Сила предков: Матильда может призывать огоньки поддержки, чтобы окружать и защищать ее, действуя как мощный щит. Когда расстояние ее движения увеличится, появятся новые огоньки. Это ограничено четырьмя стопками. После достижения лимита времени или применения этого умения сила предков заставит накопленные огоньки атаковать любых ближайших противников, нанося смертельный магический урон.
• Сила ветра : Это заставляет Матильду прыгнуть в указанное место. После приземления она может использовать силу предков, чтобы создать вокруг себя поле.Любые дружественные герои, вступающие в контакт с полем, изучат новый навык — Сила ветра. Это увеличивает скорость передвижения героев и заставляет их моргать Матильде, которая также получает пользу от этого баффа передвижения. Герой потеряет свой бонус через определенное время вне поля.
• Легкость : Матильда может наложить Метку души на вражеского героя, нанося ему магический урон. Если выполнить еще раз, Матильда мгновенно полетит к своей цели, и в этот момент огоньки устремятся к ближайшим врагам, нанося дополнительный магический урон.По достижении лимита времени или применения этого умения Матильда бросится к своей цели, отбрасывая всех врагов на патче назад и нанося еще больший магический урон. Матильда также пользуется иммунитетом к управлению во время полета.

Бенедетта

Этот предстоящий убийца сейчас находится на продвинутом сервере. Бенедетта, как и другие представители ее класса, обладает отличной мобильностью, DPS и способностями к регенерации.

Давайте посмотрим на ее навыки:

• Shadow Slash: наносит 500 (+ 40% общей физической атаки) физического урона, затем 300 (+ 70% общей физической атаки) физического урона. Финальная атака увеличивается до 200%, если первое поражает
.
• Око за око: получает иммунитет к контролю, блокирует весь урон на 0,8 секунды и наносит 450 (+ 50% общей физической атаки) физического урона, замедляя цель на 40% на секунду. Замедление оглушения при отмене эффекта контроля
• Alecto: Final Blow: становится неуязвимым, замедляет ближайшие цели на 70% на 0,8 секунды и наносит 120 (+ 40% общей физической атаки) физического урона каждые 0,2 секунды в течение 2 секунд.5 секунд, также замедляя врага на 0,2 секунды

Броды

Броуди наводняет своих врагов урон, нанося метки бездны при каждой атаке, которые дают ему многочисленные бонусные эффекты.

• Коррозия бездны: базовых атаки замедляют врагов на 25% на 0,5 секунды и накладывают эффект Метки бездны. Каждый стек увеличивает критический урон Броуди на 12,5%
• Удар бездны: наносит 450 (+ 60% общей физической атаки) физического урона, нанося Метку бездны и дополнительно 33% урона за каждого пораженного врага.
• Corrosive Strike: наносит 350 (+ 75% общей физической атаки) физического урона и оглушает врага на 1 ед.2с, накладывая стопку Abyss Mark
• Память Torn-Aprt: наносит 480 (+ 80% общей физической атаки) физического урона всем целям, сбрасывая все Метки Бездны и нанося 320 (+ 50% общей физической атаки) дополнительного физического урона за каждую Метку Бездны, плюс 8% потерянного HP цели

БАРАТ

Последний герой Mobile Legends на исходном сервере — Барац. Этот смертоносный наездник на динозаврах был добавлен в игру 18 сентября. Он представляет собой танк, который едет на динозавре по имени Детона и увеличивается в размерах и мощи по мере того, как он побеждает своих врагов.

Вот некоторые из его самых разрушительных навыков:

• Пассив: Я БОЛЬШОЙ !: Каждый раз, когда Барат наносит урон своими навыками, Детона получает стек Большого Парня на десять секунд, что увеличивает его физическую и магическую защиту на три пункта и уменьшает время, контролируемое им, на 3%. . Большой парень может суммироваться до 25 раз и превратит свою базовую атаку в AoE при десяти стеках.
• Так называемая командная работа: Наносит до 200 урона + 8% общего HP в веерообразной области перед Баратом, замедляя пораженных врагов на 15% на секунду.Враги в зоне поражения также получают 105 + 135% общего физического урона от атаки. Область действия этого умения увеличивается при шести, 11, 16 и 21 стеках Большого Парня.
• Знаток ракет: Запускает ракету, которая наносит до 450 + 125% физического урона от атаки противникам по прямой линии, толкая их к Барату.
• Приветствие Детоны: Наносит до 400 + 150% общего физического урона от атаки и притягивает врага к себе, подавляя его на две секунды и нанося дополнительные 720 + 270% общей физической атаки и + 9% общего урона HP и восстанавливая HP. .

Ив

Ива — могущественный маг, который использует свои галактические силы для разрушительного воздействия.

Вот ее навыки:

• Галактическая сила: Ива получает стек галактической силы всякий раз, когда она наносит урон, что увеличивает ее скорость передвижения на 2% за стек, с максимальным ограничением в десять стеков
• Взрыв пустоты: наносит 450 (+ 120% общей магической силы) магического урона целям, замедляя их на 60% на 0.8 секунд
• Падение метеора: наносит 240 (+ 24% общей магической силы) магического урона по целям. При повторном использовании наносит дополнительно 120 (+ 12% общей магической силы) магического урона каждые 0,3 секунды и замедляет цель на 30% на три секунды
• Манипуляции в реальном мире: создает звездное поле и может использовать его 15 раз в течение десяти секунд, нанося 550+ (+ 155% общей магической силы) магического урона при касании или 150 (+ 24% общей магической силы) магического урона каждый 0,5 секунды в течение двух секунд, замедление целей, на слайде.

Машинное обучение авторов / названий «new.ML»

Новые поступления

Материалы получены со среды 14 апреля 21 по чт 15 21 апреля, объявлено пт, 16 апреля

Новые заявки на пт, 16 апр 21

[1] arXiv: 2104.07029 [pdf, другой]

[2] arXiv: 2104.07191 [pdf, другой]

Перекрестные списки на пт, 16 апреля, 21 апреля

[3] arXiv: 2104.07061 (перекрестный список из cs.LG) [pdf, другой]

[4] arXiv: 2104.07084 (перекрестный список из stat.ME) [pdf, другое]

[5] arXiv: 2104.07136 (перекрестный список из math.MG) [pdf, ps, другое]

[6] arXiv: 2104.07232 (перекрестный список из cs.LG) [pdf, другие]

[7] arXiv: 2104.07294 (перекрестный список из cs.LG) [pdf, другие]

[8] arXiv: 2104.07295 (перекрестный список из cs.LG) [pdf, другие]

[9] arXiv: 2104.07323 (перекрестный список из math.OC) [pdf, ps, другое]

[10] arXiv: 2104.07359 (перекрестный список из stat.ME) [pdf, другое]

[11] arXiv: 2104.07495 (перекрестный список из cs.LG) [pdf, другие]

[12] arXiv: 2104.07505 (перекрестный список из cs.CL) [pdf, другие]

[13] arXiv: 2104.07531 (перекрестный список из cs.LG) [pdf, другие]

[14] arXiv: 2104.07651 (перекрестный список из cs.LG) [pdf]

Замены на пт, 16 апр 21

[15] arXiv: 1602.04474 (заменено) [pdf, ps, другое]

[16] arXiv: 1911.06111 (заменено) [pdf, другое]

[17] arXiv: 2002.04254 (заменено) [pdf, ps, другое]

[18] arXiv: 2002. 10645 (заменено) [pdf, другое]

[19] arXiv: 2004.06152 (заменено) [pdf, другое]

[20] arXiv: 2004.09395 (заменено) [pdf, другое]

[21] arXiv: 2006.03833 (заменено) [pdf, другое]

[22] arXiv: 2006.09545 (заменено) [pdf, другое]

[23] arXiv: 2006.12245 (заменено) [pdf, другое]

[24] arXiv: 2006.13916 (заменено) [pdf, другое]

[25] arXiv: 2006.14583 (заменено) [pdf, другое]

[26] arXiv: 2007.04973 (заменено) [pdf, другое]

[27] arXiv: 2007.05756 (заменено) [pdf, другое]

[28] arXiv: 2008.10150 (заменено) [pdf, ps, другое]

[29] arXiv: 2012.07729 (заменено) [pdf]

[30] arXiv: 2104.06135 (заменено) [pdf, другое]

Ссылки на: arXiv, интерфейс формы, найти, статистика, недавний, 2104, контакт, помощь (ключ доступа к информации)

Последние в ML Ops

Операционный жизненный цикл

По мере того, как все больше и больше отраслей внедряют варианты использования машинного обучения в производственную среду, потребность в последовательных методах управления машинным обучением в производственной среде и оптимизации итераций жизненного цикла машинного обучения быстро растет.В прошлом году некоторые из нас стали партнерами USENIX, чтобы провести первую в истории отраслевую / академическую конференцию, посвященную проблемам и инновациям в управлении машинным обучением в производственной среде. OpML 2019 имел большой успех, собрав вместе экспертов, практиков, инженеров и исследователей, чтобы обсудить последние и лучшие в ML Ops. Вы можете найти краткое описание OpML 2019 здесь. В этом году из-за COVID19 OpML 2020 превратился в виртуальную конференцию с видеопрезентациями и открытыми обсуждениями на Slack.

В этой статье рассказывается о том, что мы видели в передовых операциях машинного обучения на OpML 2020, а также об эволюции производственного машинного обучения в период между OpML 2019 и OpML 2020.

Как до сих пор эволюционировали ML Ops?

Глядя на эволюцию OpML с 2019 по 2020 год, можно выделить несколько тенденций:

• Сообщество растет. Теперь опытом делятся не только ведущие веб-компании, но и более классические предприятия. Академия начинает разрабатывать решения для задач ML Ops
• Вызовы, такие как развертывание модели — уже в центре внимания в 2019 году, продолжаются в 2020 году, благодаря достижениям, основанным на опыте / передовой практике и новым подходам к масштабированию, скорости и итерациям.
• Набор инструментов и доступные варианты оборудования постоянно расширяются, и производственное машинное обучение должно идти в ногу с достижениями самого машинного обучения.
• Мы видим опыт и методы решения проблемы машинного обучения на Edge
• Предвзятость, этика, конфиденциальность и другие проблемы человека выходят на первый план, порождая новые решения и методы работы корпорациями и исследователями.

Что нового и крутого в ML Ops?

Итак, что было в OpML2020? OpML 2020 продемонстрировал современное состояние производственного машинного обучения, представленное отраслью и академическими кругами и курированное Программным комитетом OpML — экспертами в области программного обеспечения машинного обучения, производственных практик, масштабируемой инфраструктуры, оборудования и приложений.Стоит отметить следующие основные моменты:

Управление жизненным циклом модели

Тренировки или даже запуска ваших моделей в производство недостаточно. Модели с машинным обучением имеют сложные зависимости, включая данные обучения, версии производных функций и встраивания, расхождения между автономными и онлайн-версиями функций, а также несколько версий одной и той же модели, работающей в производственной среде. Держать это плавно и масштабно — все равно что дирижировать оркестром. Компании, которые успешно внедрили и масштабировали машинное обучение в производственной среде, могут предложить сообществу множество идей.Walmart Labs описала свой подход к оказанию помощи специалистам по обработке данных в переносе моделей со своих локальных компьютеров на производственную платформу. Netflix рассказала о своей системе, которая управляет более чем двумя тысячами моделей, находящихся в производстве, с различными возможностями, от обнаружения моделей, мониторинга, мер защиты и откатов развертывания.

Развертывание модели

Неважно, насколько хороши ваши команды инженеров по обработке и анализу данных и машинному обучению, если вы не можете запускать свои модели в производственной среде! Независимо от того, работаете ли вы с персонализированной датой клиента, с отслеживанием в реальном времени или с поиском и ранжированием — быстро меняющиеся функции и комбинаторная сложность часто исключают простое вычисление всего в автономном режиме.Развертывание моделей (также называемое обслуживанием моделей) — это задача ML Ops, связанная с доставкой моделей в реальном или близком к реальному времени. Три ведущие интернет-компании, Intuit, Netflix, Adobe, рассказали о своем опыте развертывания моделей, начиная с пограничного вывода, компромиссов между стратегиями выполнения модели и промежуточными форматами, такими как ONNX, методами управления и запуска производственных моделей в масштабе, а также о том, как чтобы позволить специалистам по обработке данных и другим специалистам внедрять свои модели в производство без глубокого системного опыта.ВВС США и Университет Кларксона продемонстрировали методы прямого запуска моделей PyTorch в качестве конечных точек RESTful.

Алгоритмы, инфраструктура и масштабирование

Новые платформы машинного обучения появляются ежедневно, и в нашей области новые инновации могут воплотить их в жизнь в рекордно короткие сроки, принося с собой новые производственные задачи. Задачи ML Ops включают быстрое и масштабируемое развертывание и итерацию, как повысить автоматизацию и уменьшить зависимость от человека и, таким образом, быстрее развертывать новые модели, как сделать ML адаптивным с помощью пошагового обучения и т. Д.LinkedIn описал методы удаления человека из цикла жизненного цикла машинного обучения, в то время как Intel описала два метода масштабирования машинного обучения в производственной среде: обслуживание модели кластера — распределенный вывод и AutoML временных рядов в платформе Ray. Сотрудничество между Калифорнийским университетом и Технологическим институтом Вирджинии описало подходы к постепенному обучению на мобильных устройствах.

Практический опыт и передовая практика

Operational ML — это обширное пространство, в котором доступно множество технологий, платформ и подходов.Некоторые проблемы невозможно увидеть, пока вы не попробуете их. Ранние последователи и их решения — отличные шаблоны проектирования, которым могут следовать и чему учиться другие! Mercari, Google, VMware и Nvidia рассказали о ML Ops в реальной жизни, а также о своем опыте, передовых методах и решениях. Эти передовые практики показали, что операции машинного обучения в реальном мире работают в большом масштабе и в различных приложениях, от электронной коммерции до самоуправляемых автомобилей.

Обучение модели

Ориентация на производство не исключает необходимости обучения.Переобучение и обучение в производственном масштабе являются факторами, поскольку сложность моделей машинного обучения и необработанный объем данных, на основе которых они обучаются, постоянно увеличиваются. Intuit описал, как управлять необработанной инфраструктурой Spark и Kubernetes для масштабного обучения моделей. SigOpt описал подходы байесовской оптимизации для постоянного повышения эффективности обучения модели с течением времени. Google поделилась идеями, извлеченными из пятнадцатилетнего обучения моделей и сбоев в исполнении моделей.

Правила, управление данными, объяснение

Поскольку производственное машинное обучение используется в большем количестве отраслей, предприятиям необходимо понимать, как конвейеры машинного обучения пересекаются с проблемами клиентов, такими как управление данными, доверие и конфиденциальность.На техническом уровне критически важно то, как создаются, оцениваются и управляются функции, равно как и возможность отслеживать и объяснять машинное обучение в производственной среде. ServiceNow рассказала о практическом опыте оказания помощи своим организациям в определении того, как лучше всего использовать данные и функции для производственного машинного обучения, а исследования, проведенные IBM, Технологическим институтом KTH и Люксембургским университетом SnT, продемонстрировали новые способы изучения и анализа вариантов производственных конвейеров.

Предвзятость, этика и конфиденциальность

По мере того, как в производство поступает все больше и больше моделей, корпорациям необходимо управлять бизнес-рисками.Недостаточно добиться высокой производительности моделирования и хорошо управлять конвейерами — большие возможности моделирования влекут за собой большую ответственность. Кого не учитывают наши модели? Кому они вредят? Как мы, как компании, защищаем конфиденциальность наших участников и клиентов? Даже если данные защищены, может ли конфиденциальная информация просочиться через сами модели? Capital One обсудил различные атаки (и защиты) против моделей машинного обучения, чтобы вывести данные обучения и секреты компании с доступом только к модели или ее гиперпараметрам.Facebook описал свой подход к стандартизированному владению активами машинного обучения в масштабах всей компании, что крайне важно для обеспечения конфиденциальности данных.

Глубокое обучение и производственные задачи, специфичные для графических процессоров

Новые инновации DL появляются быстро, и конвейеры DL обычно используют дорогостоящее оборудование, такое как графические процессоры, которые выигрывают от тщательной оптимизации. Исследователи из Университета Иллинойса в Урбана-Шампейн описали спецификацию совместимости, чтобы упростить совместное использование и воспроизведение заданий DL.Nvidia описала использование графических процессоров не только в обучении DL, но и в непрерывном конвейере обработки данных.

Поскольку мы справляемся с проблемами COVID 19 — у нас действительно появилась прекрасная возможность, технический контент OpML 2020 доступен всем — бесплатно. Здесь вы можете получить доступ ко всем слайдам докладов, статьям, коротким и длинным презентационным видео обо всех сессиях. Существует также канал Slack для обсуждения в сообществе Slack OpML.

В заключение ..

Наблюдая за этой эволюцией, становится ясно, что ML Ops никуда не денется.Всего за год сообщество расширилось, решило текущие проблемы и нашло новые. Я, со своей стороны, предвижу, что в будущем внимание будет уделяться безопасности, адаптируемости и автоматизации моделей. С нетерпением жду того, что принесет следующий год ML Ops!

Представляем ML-Agents Toolkit v0.2: учебные программы, новые среды и многое другое. ML-Agents Toolkit v0.2 — カ リ キ ュ ラ ム 学習 、 新 い 環境 、 そ の 他 の 改良

Команда машинного обучения Unity рада объявить о выпуске новой версии Unity Machine Learning Agents Toolkit — v0.2 Бета! В этом выпуске мы улучшаем инструментарий по всем направлениям: 1 — добавляем новые функции как в Unity SDK, так и в Python API; 2- новые примерные среды для построения поверх; 3- улучшения нашего алгоритма обучения с подкреплением (PPO) по умолчанию, в дополнение ко многим исправлениям ошибок и другим более мелким улучшениям. В этом посте мы выделим некоторые из основных дополнений, но для полного списка ознакомьтесь с примечаниями к выпуску GitHub. Также посетите страницу GitHub, чтобы загрузить последнюю версию.

С тех пор, как мы запустили v0.1 Beta более двух месяцев назад, и было замечательно видеть проекты и игры, которые уже создаются с использованием Unity ML-Agents Toolkit, а также все полезные отзывы сообщества. Чтобы вдохновить на более творческие варианты использования в машинном обучении и за его пределами с помощью набора инструментов ML-Agents Toolkit, мы рады объявить о нашем первом испытании сообщества ML-Agents в этом посте.

Новые среды непрерывного управления и платформера

Одним из основных запросов, которые мы получили, были дополнительные примеры сред, которые позволили бы разработчикам расширить выбор базовых показателей, с которых можно было бы начать сборку.Мы рады включить в этот выпуск четыре новых среды. Эти среды включают в себя две новые среды непрерывного контроля, а также две среды платформ, предназначенные для демонстрации нашей новой функции Curriculum Learning (подробнее об этом ниже).

Новые функции: обучение по учебной программе, трансляция и более гибкий монитор.

Curriculum Learning — Наш Python API теперь включает стандартизированный способ использования Curriculum Learning в процессе обучения.Для тех, кто не знаком, Curriculum Learning — это способ обучения модели машинного обучения, где более сложные аспекты проблемы постепенно вводятся таким образом, чтобы модель всегда оптимально оспаривалась. Вот ссылка на исходную статью, в которой формально представлен идеал. В более общем плане эта идея существует гораздо дольше, потому что именно так мы, люди, обычно учимся. Если вы представите себе любое детское начальное школьное образование, то здесь есть упорядоченность классов и тем. Например, арифметика преподается раньше, чем алгебра.Точно так же алгебру преподают до исчисления. Навыки и знания, приобретенные в предыдущих предметах, служат опорой для последующих уроков. Тот же принцип можно применить к машинному обучению, где обучение более простым задачам может стать основой для более сложных задач в будущем.

Пример учебной программы по математике. Уроки переходят от простых тем к более сложным, и каждая основывается на последней.

Когда мы думаем о том, как на самом деле работает обучение с подкреплением, основным обучающим сигналом является скалярное вознаграждение, получаемое время от времени на протяжении всего обучения.В более сложных или трудных задачах эта награда может быть редкой и редко достигается. Например, представьте себе задачу, в которой агенту нужно поставить блок на место, чтобы масштабировать стену и достичь цели. Отправной точкой при обучении агента выполнению этой задачи будет случайная политика. Эта стартовая политика, вероятно, будет включать в себя бегущего по кругу агента и, скорее всего, никогда или очень редко будет правильно масштабировать стену, чтобы получить награду. Если мы начнем с более простой задачи, такой как движение к беспрепятственной цели, то агент может легко научиться выполнять эту задачу.Оттуда мы можем постепенно увеличивать сложность задачи, увеличивая размер стены, пока агент не сможет выполнить изначально почти невозможную задачу по масштабированию стены. Мы включаем именно такую ​​среду в Unity ML-Agents Toolkit v0.2, которая называется Wall Area.

Демонстрация учебного сценария, в котором все более высокая стена преграждает путь к цели.

Чтобы увидеть это в действии, просмотрите две кривые обучения ниже. Каждый отображает вознаграждение с течением времени для мозга, обученного с использованием PPO с одним и тем же набором гиперпараметров обучения и данных от 32 одновременных агентов.Разница в том, что мозг, выделенный оранжевым цветом, был обучен с использованием полноразмерной настенной версии задачи, а синяя линия соответствует мозгу, обученному с использованием учебной версии задачи. Как видите, без использования учебного плана агент испытывает массу трудностей, и после 3 миллионов шагов все еще не решил задачу. Мы думаем, что, используя хорошо составленные учебные программы, агенты, обученные с помощью обучения с подкреплением, смогут выполнять задачи, которые в противном случае были бы гораздо более трудными, с гораздо меньшими затратами времени.

Две тренировочные кривые для задачи «Площадь стены». Синяя линия соответствует тренировке мозга по учебной программе. Оранжевая линия соответствует тренировке мозга без изучения учебной программы. Пунктирные вертикальные синие линии соответствуют изменению урока в учебной программе учебной сессии.

Так как это работает? Чтобы определить учебную программу, первым делом необходимо решить, какие параметры среды будут варьироваться. В случае среды «Стена» меняется только высота стены.Мы можем определить это как параметр сброса в объекте Academy нашей сцены, и таким образом он станет настраиваемым через Python API. Вместо того, чтобы настраивать его вручную, мы затем создаем простой файл JSON, который описывает структуру учебной программы. В нем мы можем установить, в какие моменты тренировочного процесса будет изменяться высота нашей стены, либо на основе процента пройденных шагов обучения, либо на основе того, какое среднее вознаграждение получал агент в недавнем прошлом. Как только они будут установлены, мы просто запускаем ppo.py, используя флаг –curriculum-file , чтобы указать на файл JSON, и PPO, которые мы будем обучать с помощью Curriculum Learning. Конечно, затем мы можем отслеживать текущий урок и прогресс с помощью TensorBoard.

Вот пример файла JSON, который определяет учебный план для среды Wall Area:

{ «мера»: «награда», «пороги»: [0,5, 0,5, 0,5, 0,5, 0,5, 0,5, 0,5, 0,5, 0,5], «min_lesson_length»: 2, «signal_smoothing»: правда, «параметры»: { «min_wall_height»: [0.0, 0,5, 1,0, 1,5, 2,0, 2,5, 3,0, 3,5, 4,0, 4,5], «max_wall_height»: [1.5, 2.0, 2.5, 3.0, 3.5, 4.0, 4.5, 5.0, 5.5, 6.0] } }

Для тех в сообществе, которые создали среду, которую они не могли решить с помощью своих агентов, мы рекомендуем вам попробовать Curriculum Learning out, и мы будем рады услышать ваши выводы.

Broadcasting — Внутренний, эвристический и мозг игрока теперь включают функцию «Broadcast», которая активна по умолчанию.Когда он активен, состояния, действия и награды для всех агентов, связанных с этим мозгом, будут доступны из Python API. Это контрастирует с v0.1, где только внешний мозг может отправлять информацию в API Python. Эта функция может использоваться для записи, анализа или хранения информации от этих типов мозга на Python. В частности, эта функция делает возможным имитационное обучение, когда данные от игрока, эвристики или внутреннего мозга могут использоваться в качестве контрольного сигнала для обучения отдельной сети без необходимости определения функции вознаграждения или в дополнение к функции вознаграждения для увеличения обучающий сигнал.Мы думаем, что это может дать новые возможности разработчикам игр для получения разумного поведения от своих систем. В следующем сообщении блога мы планируем рассмотреть этот сценарий и предоставить пример проекта.

Окно Brain Inspector. В 0.2 добавлен чек-бокс «Трансляция».

Flexible Monitor — Мы переписали Agent Monitor, чтобы обеспечить более удобное использование. В то время как исходный Монитор имел фиксированный набор статистических данных об агенте, который мог отображаться, новый Монитор теперь позволяет отображать любую желаемую информацию, относящуюся к агентам.Все, что вам нужно сделать, это вызвать Monitor.Log () для отображения информации либо на экране, либо над агентом внутри сцены.

Среда балансировки мяча с различной тренировочной информацией, отображаемой с помощью монитора.

Как и в любой бета-версии, вероятно, будут ошибки и проблемы. Мы рекомендуем вам поделиться с нами отзывами на странице проблем GitHub.

Вызов сообщества Unity ML-агентов

И последнее, но не менее важное: мы рады сообщить, что Unity проведет соревнование сообщества ML-Agents Community Challenge.Независимо от того, являетесь ли вы экспертом в области машинного обучения или просто интересуетесь, как машинное обучение можно применить в играх, эта задача — прекрасная возможность для вас учиться, исследовать, вдохновлять и вдохновляться.

Мы хотим увидеть, как вы применяете новый метод обучения по учебной программе. Но мы не ищем какого-то определенного жанра или стиля, так что проявите творческий подход! Мы отправим подарки и сюрпризы авторам, которые получат больше всего лайков в конце испытания.

Первый раунд конкурса Machine Learning Agents Challenge пройдет с 7 декабря 2017 г. по 31 января 2018 г. и открыт для всех разработчиков, обладающих базовыми знаниями и опытом в области Unity.Щелкните эту ссылку, чтобы принять участие в этом испытании. Если вы не знакомы с тем, как работают агенты машинного обучения, свяжитесь с нами по почте или на канале машинного обучения Unity, чтобы задать вопросы.

Счастливого творчества!

[Рекомендуемая литература]

Представляем: Unity Machine Learning Agents Toolkit

Unity AI — обучение с подкреплением с помощью Q-Learning

Unity AI-тематические записи в блоге

Использование инструментария Machine Learning Agents Toolkit в реальной игре: руководство для новичков

MLOps нацелено на унификацию разработки систем машинного обучения

Организации, управляемые искусственным интеллектом, используют данные и машинное обучение для решения своих самых сложных проблем и пожинают плоды.

«Компании, которые полностью используют ИИ в своих производственных процессах к 2025 году, будут доминировать в мировой экономике к 2030 году с ростом денежного потока + 120%», ¹ согласно McKinsey Global Institute.

Но сейчас это непросто. Системы машинного обучения (ML) обладают особой способностью создавать технический долг, если им не управлять должным образом. У них есть все проблемы обслуживания традиционного кода плюс дополнительный набор специфических для машинного обучения проблем: системы машинного обучения имеют уникальные аппаратные и программные зависимости, требуют тестирования и проверки данных, а также кода, и по мере того, как мир меняется вокруг нас, развертывают модели машинного обучения. со временем деградируют.Более того, системы машинного обучения работают неэффективно, не вызывая ошибок, что делает выявление и решение проблем особенно сложными. Другими словами, создание модели машинного обучения — это простая часть, а введение в действие и управление жизненным циклом моделей машинного обучения, данных и экспериментов — вот где это усложняется.

Сегодня мы объявляем о наборе услуг, которые упростят операции машинного обучения (MLOps) для специалистов по данным и инженеров машинного обучения, чтобы ваш бизнес мог осознать ценность ИИ.

Унификация разработки и эксплуатации системы машинного обучения

Начиная с Конвейеры платформы AI : ранее в этом году мы анонсировали размещенное предложение для создания конвейеров машинного обучения и управления ими на платформе AI.Теперь у нас есть полностью управляемая служба для конвейеров машинного обучения, предварительная версия которой будет доступна к октябрю этого года. Благодаря новому управляемому сервису клиенты могут создавать конвейеры машинного обучения с использованием предварительно созданных компонентов и шаблонов TensorFlow Extended (TFX), что значительно сокращает усилия, необходимые для развертывания моделей.

Мы предлагаем услугу непрерывной оценки на нашей платформе, которая производит выборку входных и выходных данных прогнозов из развернутых моделей машинного обучения, а затем анализирует производительность модели в сравнении с достоверными данными.Если данные нуждаются в маркировке, нанесенной человеком, это также помогает заказчикам назначать рецензентов, которые будут предоставлять метки достоверности для оценки производительности модели. Мы рады объявить о сервисе Continuous Monitoring , который будет отслеживать производительность модели в производственной среде, чтобы вы знали, устареет ли она или есть какие-либо выбросы, перекосы или отклонения концепции, чтобы группы могли быстро вмешаться, отладить или переобучаю на новую модель. Это упростит управление моделями в масштабе и поможет специалистам по обработке данных сосредоточиться на моделях, которые могут не соответствовать бизнес-целям.Ожидается, что к концу 2020 года клиентам будет доступен непрерывный мониторинг.

Основой всех этих новых услуг является наша новая служба ML Metadata Management на платформе AI. Этот сервис позволяет командам ИИ отслеживать все важные артефакты и эксперименты, которые они проводят, обеспечивая тщательно подобранный журнал действий и детальную родословную модели. Это позволит клиентам определить происхождение любой модели, обученной на платформе AI, для отладки, аудита или совместной работы. AI Platform Pipelines будет автоматически отслеживать артефакты и происхождение, и команды AI также могут использовать службу метаданных машинного обучения напрямую для пользовательских рабочих нагрузок, отслеживания артефактов и метаданных.Ожидается, что предварительная версия нашей службы метаданных машинного обучения будет доступна к концу сентября.

Наше видение возможности повторного использования включает возможности совместной работы в области науки о данных и машинного обучения. Мы рады сообщить, что к концу этого года мы представим магазин функций на платформе AI. Это хранилище функций будет служить централизованным хранилищем исторических и последних значений функций в масштабах всей организации, что позволит повторно использовать их в командах машинного обучения. Это повысит продуктивность пользователей за счет исключения лишних шагов при проектировании функций.Магазин функций также предоставит инструменты для устранения распространенных причин несоответствия между функциями, используемыми для обучения и прогнозирования.

Соединение машинного обучения и ИТ

DevOps — это популярная и распространенная практика разработки и управления крупномасштабными программными системами, которая выросла за десятилетия опыта и обучения в индустрии разработки программного обеспечения. Такая практика дает такие преимущества, как сокращение циклов разработки, увеличение скорости развертывания и обеспечение надежных выпусков высококачественного программного обеспечения.

Подобно DevOps, MLOps — это культура и практика машинного обучения, направленная на объединение разработки систем машинного обучения (Dev) и эксплуатации систем машинного обучения (Ops). В отличие от DevOps, системы машинного обучения создают уникальные проблемы для основных принципов DevOps, таких как непрерывная интеграция и непрерывная доставка (CI / CD).

В системах машинного обучения:

• Непрерывная интеграция (CI) — это не только тестирование и проверка кода и компонентов, но также тестирование и проверка данных, схем данных и моделей.

• Непрерывная доставка (CD) — это не только отдельный программный пакет или услуга, но и система (конвейер обучения машинного обучения), которая должна автоматически развертывать другую услугу (услуга прогнозирования модели).

• Непрерывное обучение (CT) — это новое свойство, уникальное для систем машинного обучения, которое связано с автоматическим переподготовкой моделей-кандидатов для тестирования и обслуживания.

• Непрерывный мониторинг (CM) предназначен не только для выявления ошибок в производственных системах, но и для мониторинга производственных данных и показателей производительности модели, связанных с бизнес-результатами.

Mini Kubeflow на AWS — ваша новая рабочая станция машинного обучения | Димитрис Поулопулос

Kubeflow — это проект с открытым исходным кодом, предназначенный для упрощения, переносимости и масштабируемости развертывания проектов машинного обучения. Из документации:

Проект Kubeflow предназначен для упрощения, переносимости и масштабируемости развертывания рабочих процессов машинного обучения (ML) в Kubernetes. Наша цель — не воссоздавать другие сервисы, а предоставить простой способ развертывания лучших в своем классе систем с открытым исходным кодом для машинного обучения в различных инфраструктурах.Где бы вы ни работали с Kubernetes, вы должны иметь возможность запускать Kubeflow.

Но с чего начать? Нужен ли нам кластер Kubernetes? Следует ли нам развернуть все это самостоятельно? Я имею в виду, вы видели репозиторий манифеста Kubeflow ? Не паникуйте; MiniKF здесь, чтобы снять с вас это бремя.

Data Scientists могут легко и быстро развернуть MiniKF в Google Cloud и свой ноутбук через Vagrant с ноября 2019 года.Сегодня я рад видеть, что MiniKF доступен на AWS Marketplace!

MiniKF — это готовое решение для разработки, тестирования и развертывания моделей. Но каковы преимущества использования такого дистрибутива Kubeflow, как MiniKF? Оказывается, здесь есть что выиграть!

• Ускорьте разработку и обучение моделей с помощью интегрированной комплексной платформы анализа данных «все в одном», которая работает в облаке и локально.
• Разрабатывайте модели с помощью знакомых инструментов (например, Jupyter Notebooks) без необходимости управлять библиотеки и сборка контейнеров докеров
• Автоматизация сложного кода модели для конвейерных рабочих процессов с помощью Kale
• Повышение точности модели и ускорение обучения с помощью автоматической настройки гиперпараметров и Katib
• Ускорение отладки с воспроизведением состояния каждого шага конвейера путем телепортации внутрь среды шага
• Обеспечьте глобальную мобильность данных с помощью расширенной автоматизации управления данными Kubernetes

MiniKF на AWS

Итак, как мы можем развернуть MiniKF на AWS? Давайте будем следовать руководству, которое Arrikto, создатель и сопровождающий проектов, предоставляет шаг за шагом (см. Здесь соответствующее руководство GCP):

1.Перейдите на страницу MiniKF в AWS Marketplace

2. Нажмите кнопку Продолжить подписку

3. Нажмите кнопку Принять условия кнопку

4. AWS обработает запрос и когда он будет готов, нажмите Продолжить настройку

5. Выберите Регион и нажмите Продолжить запуск

Arrikto рекомендует сохранить значения по умолчанию для метода доставки и версии программного обеспечения.

6. Просмотрите детали конфигурации и не забудьте просмотреть инструкции по использованию и держите их под рукой, так как они вам понадобятся позже

7. Вы также можете выбрать способ запустите MiniKF или измените тип инстанса EC2

Arrikto рекомендует оставить значение по умолчанию для параметра «Выбрать действие». Они также рекомендуют оставить тип инстанса EC2 по умолчанию (m5.2xlarge) или выбрать еще более мощный инстанс. Выбор виртуальной машины с сокращенными характеристиками может сделать невозможным обучение моделей машинного обучения.

8. Выберите существующий VPC или создайте новый

Если вы создаете новый, не забудьте щелкнуть значок обновления, чтобы обновить содержимое списка, чтобы ваш новый VPC появляется в нем.

9. Выберите существующую подсеть или создайте новую

Если вы создаете новую, не забудьте щелкнуть значок обновления, чтобы обновить содержимое списка, чтобы ваша новая подсеть появляется в нем.10. Аррикто рекомендует создать новую группу безопасности. В противном случае вы не сможете получить доступ к вашему MiniKF. Однако, если вам нужно использовать существующую группу безопасности, убедитесь, что она охватывает порты, упомянутые в инструкциях по использованию (см. Вверху этой страницы).

11. Выберите существующую пару ключей или создайте новую

Если вы создаете новую, не забудьте щелкнуть значок обновления, чтобы обновить содержимое списка, чтобы ваш новый в нем появляется пара ключей.

12. Нажмите Launch и y ou появится сообщение, информирующее вас об успешной установке. Щелкните ссылку, чтобы просмотреть экземпляр в консоли EC2.

13. Теперь вы должны увидеть такой экран. Нажмите на Instance ID созданного экземпляра.

14. Щелкните Connect , чтобы подключиться к экземпляру с помощью EC2 Instance Connect

Это будет работать, только если вы создали группу безопасности на основе настроек Arrikto, как на шаге 10, или вы настроили группа безопасности в соответствии с инструкциями по использованию.В противном случае вам нужно подключиться к экземпляру по SSH вручную, см. здесь .

15. Имя пользователя будет предварительно заполнено. Щелкните Connect.

16. Следуйте инструкциям на экране и введите minikf , чтобы просмотреть ход развертывания.

17. Подождите несколько минут, пока MiniKF подготовит ваш кластер Kubernetes, установите Kubeflow и настройте сеть

18.После завершения установки вы увидите этот экран.

19. Перейдите по URL-адресу и войдите в MiniKF, используя предоставленные имя пользователя и пароль.

Обратите внимание, что MiniKF использует самозаверяющий сертификат, поэтому вам придется следуйте этому руководству , чтобы перейти к приборной панели MiniKF.

20. После входа в систему вы увидите панель управления MiniKF

Поздравляем! Вы успешно развернули MiniKF на AWS.Теперь вы можете создавать записные книжки, писать код машинного обучения и запускать конвейеры Kubeflow.

Примеры

Если вы хотите поиграть, вот несколько историй, которые вы можете прочитать:

• Преобразуйте свои записные книжки Jupyter в конвейеры Kubeflow одним щелчком мыши

• Управляйте версиями своих наборов данных с помощью Rok

• Путешествие во времени в шаг конвейера для отладки вашего кода

• Автоматическая настройка гиперпараметров с помощью Katib

• Используйте MiniKF в качестве рабочей станции машинного обучения

В этой истории мы увидели, как мы можем запустить и запустить экземпляр Kubeflow внутри 10 минут на AWS.Начинать экспериментировать с этим мощным инструментом очень просто; запускайте свои ноутбуки, запускайте эксперименты по настройке гиперпараметров с помощью Katib и обслуживайте свои модели с помощью KFServing.

Меня зовут Димитрис Пулопулос, я инженер по машинному обучению, работающий в Arrikto. Я работал над разработкой и внедрением AI и программных решений для крупных клиентов, таких как Европейская комиссия, Евростат, МВФ, Европейский центральный банк, ОЭСР и IKEA.

Если вы хотите прочитать больше сообщений о машинном обучении, глубоком обучении, науке о данных и DataOps, подпишитесь на меня на Medium, LinkedIn или @ james2pl в Twitter.

Выраженные мной мнения являются исключительно моими и не отражают взгляды или мнения моего работодателя.

OctoML объявляет о более быстрой логической модели машинного обучения в новом M1 от Apple, чем в Core ML 4 от Apple

SEATTLE, 16 декабря 2020 г. (GLOBE NEWSWIRE) — OctoML, компания по автоматизации MLOps, предлагающая превосходные характеристики моделей, мобильность и продуктивность, сегодня продемонстрировала более высокую производительность модели на чипе Apple M1, чем базовый механизм вывода Apple. Результаты OctoML продемонстрировали более низкую задержку модели, чем любое программное обеспечение собственной разработки Apple: от 30% улучшения по сравнению с последним механизмом вывода Apple Core ML 4 до 13-кратного улучшения по сравнению со стандартным Core ML 3 от Apple.Все сравнения были основаны на базовой модели BERT, общей модели глубокого обучения, широко используемой для задач обработки естественного языка, и проводились как на процессоре Mac Mini, так и на графическом процессоре.

«Apple отлично демонстрирует свои новейшие продукты для самых передовых применений машинного обучения», — сказал Луис Сезе, соучредитель и генеральный директор OctoML. «Но на практике инженеры по машинному обучению могут бороться за достижение хорошей производительности и могут потратить месяцы, пытаясь вручную отладить проблемы. В отличие от этого, работа OctoML показывает, как служба автоматической оптимизации модели может легко добавлять новое оборудование и сразу же обеспечивать превосходную производительность модели.

Последний Core ML 4 от Apple привел к задержке процессора в 139 миллисекунд и задержке в GPU в 59 миллисекунд. В отличие от этого, работа OctoML обеспечила задержку модели в 108 миллисекунд на CPU и 42 миллисекундах на GPU. Эти улучшения производительности представляют собой улучшение на 22% для ЦП и почти на 30% для графического процессора и особенно примечательны, потому что они были произведены автоматически и всего через несколько недель после публичного запуска Apple чипа M1.

Другие сравнения производительности включали Keras с MLCompute и TensorFlow с Graphdef.Для Keras задержка Apple M1 на CPU составляла 579 миллисекунд, а на GPU — 1767 миллисекунд. Для TensorFlow M1 продемонстрировал 512 миллисекунд задержки на CPU и 543 миллисекунды на GPU.

«Как мы всего за несколько недель смогли добиться лучших результатов, чем Apple Core ML 4? По двум причинам », — сказал Бинг Сюй, главный инженер OctoML. «Во-первых, компилятор Apache TVM использует автоматический планировщик на основе машинного обучения для поиска оптимизации кода CPU и GPU. Во-вторых, компилятор Apache TVM может автоматически объединять квалифицированные подграфы и напрямую генерировать код.Даже лучшие инженеры не могут предвидеть взаимодействия между архитектурами моделей, вычислительными рабочими нагрузками и доступностью целевых аппаратных ресурсов ».