خانه > تازه ها > پایان عمر کتابخانه CNTK
CNTK - کتابخانه شبکه عصبی مایکروسافت

پایان عمر کتابخانه CNTK

با پیشرفتهای سریع شبکه های عمیق و انتشار نتایج هیجان انگیز آن در کاربردهای مختلف، شرکتهای بزرگ هر کدام یک کتابخانه مستقلی برای تحقیق و توسعه در حوزه شبکه های عمیق توسعه دادند. مثلا مایکروسافت کتابخانه Cognitive Toolkit یا CNTK را منتشر کرد، گوگل Tensorflow را تولید کرد، مرکز یادگیری و بینایی دانشگاه برکلی، Caffe را توسعه داد و شرکت Mathworks هم جعبه ابزار Deep Learning را برای Matlab تولید کرد.

هر کدام از این کتابخانه ها به نوعی به توسعه شبکه های عمیق کمک کردند. اما نمی توان انتظار داشت این کتابخانه ها برای همیشه بمانند. برخی از کتابخانه ها با گذر زمان از گردونه رقابت خارج شده و ترجیح می دهند محترمانه انصراف دهند! ظاهرا این اتفاق برای کتابخانه CNTK مایکروسافت افتاده است و اخیرا مایکروسافت، طی اطلاعیه ای اعلام کرده است که نسخه ۲٫۷، آخرین نسخه از کتابخانه CNTK خواهد بود.

CNTK - کتابخانه شبکه عصبی مایکروسافت

در این اطلاعیه، مایکروسافت از کاربران خواسته است که با توجه به پشتیبانی کامل CNTK 2.7 از زیست بوم جدید ONNX (ابزار متن باز تبادل شبکه های عصبی – Open Neural Network Exchange)، مدلهای CNTK را به مدلهای دیگری که در ONNX پشتیبانی می شود، تبدیل کرده و استفاده کنند. در واقع به نظر می رسد مایکروسافت به عنوان یکی از توسعه دهندگان ONNX، در واقع قصد دارد این زیست بوم جدید را جایگزین CNTK کند.

بخشهایی از اطلاعیه سلب مسئولیت مایکروسافت در مورد CNTK

نسخه ۲٫۷ امروز، آخرین نسخه اصلی CNTK خواهد بود. ما ممکن است برخی نسخه های جزئی جدید را برای رفع اشکال توسعه دهیم، اما این ها موردی خواهد بود و هیچ برنامه ای برای توسعه ویژگی های جدید برای این کتابخانه وجود ندارد.

نسخه CNTK 2.7 دارای پشتیبانی کامل از ONNX 1.4.1 است و ما کسانی را که قصد استفاده از مدل های CNTK خود دارند را به بهره برداری از ONNX و ONNX Runtime تشویق می کنیم. در آینده، کاربران می توانند با استفاده از چارچوب هایی که ONNX از آنها پشتیبانی می کنند، از نوآوریهای تکامل یافته آن استفاده کنند. به عنوان مثال، کاربران می توانند با مبدلهای آماده، مدل های خود را از PyTorch یا تنسورفلو به ONNX تبدیل کرده و استفاده کنند.

Microsoft Disclaimer about Cognitive Toolkit

Dear community,

With our ongoing contributions to ONNX and the ONNX Runtime, we have made it easier to interoperate within the AI framework ecosystem and to access high performance, cross-platform inferencing capabilities for both traditional ML models and deep neural networks. Over the last few years we have been privileged to develop such key open-source machine learning projects, including the Microsoft Cognitive Toolkit, which has enabled its users to leverage industry-wide advancements in deep learning at scale.

Today’s 2.7 release will be the last main release of CNTK. We may have some subsequent minor releases for bug fixes, but these will be evaluated on a case-by-case basis. There are no plans for new feature development post this release.

The CNTK 2.7 release has full support for ONNX 1.4.1, and we encourage those seeking to operationalize their CNTK models to take advantage of ONNX and the ONNX Runtime. Moving forward, users can continue to leverage evolving ONNX innovations via the number of frameworks that support it. For example, users can natively export ONNX models from PyTorch or convert TensorFlow models to ONNX with the TensorFlow-ONNX converter.

We are incredibly grateful for all the support we have received from contributors and users over the years since the initial open-source release of CNTK. CNTK has enabled both Microsoft teams and external users to execute complex and large-scale workloads in all manner of deep learning applications, such as historical breakthroughs in speech recognition achieved by Microsoft Speech researchers, the originators of the framework.

As ONNX is increasingly employed in serving models used across Microsoft products such as Bing and Office, we are dedicated to synthesizing innovations from research with the rigorous demands of production to progress the ecosystem forward.

Above all, our goal is to make innovations in deep learning across the software and hardware stacks as open and accessible as possible. We will be working hard to bring both the existing strengths of CNTK and new state-of-the-art research into other open-source projects to truly broaden the reach of such technologies.

With gratitude,

— The CNTK Team

0/5 ( 0 نظر )

درباره‌ی حسین

سردبیر مجله شهاب هستم. امیدوارم مطالب منتشر شده در مجله، به اندازه ی کافی بِکر و ارزشمند باشند تا وقت مخاطبین تلف نشود.

همچنین ببینید

هوش مصنوعی ذهن خوانی

هوش مصنوعی با قابلیت ذهن خوانی

مطالعه جدید نشان می دهد که هوش مصنوعی با تجزیه و تحلیل اسکن های مغزی …

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *