Apache MXnet en AWS
Cree aplicaciones de aprendizaje automático que pueden entrenarse rápidamente y ejecutarse en cualquier lugar
Apache MXNet en AWS es un marco de inferencia y entrenamiento escalable y ágil con una API concisa y fácil de usar para machine learning.
MXNet incluye la interfaz de Gluon que permite a los desarrolladores con cualquier nivel de experiencia comenzar a usar el aprendizaje profundo en la nube, en dispositivos periféricos y en aplicaciones para dispositivos móviles. En tan solo unas líneas de código de Gluon, es posible crear regresión lineal, redes convolucionales y LSTM recurrentes para la detección de objetos, el reconocimiento de voz, recomendaciones y personalizaciones.
Puede empezar a usar MxNet en AWS mediante una experiencia completamente administrada a través de Amazon SageMaker, una plataforma diseñada para crear, entrenar e implementar modelos de aprendizaje automático a escala. O bien, puede utilizar las AMI de AWS Deep Learning para crear entornos y flujos de trabajo personalizados con MxNet así como otros marcos de trabajo entre los que se incluyen TensorFlow, PyTorch, Chainer, Keras, Caffe, Caffe2 y Microsoft Cognitive Toolkit.
Consiga código de muestra, bloc de notas y contenido de tutoriales en la página del proyecto GitHub.
Beneficios del aprendizaje profundo mediante el uso de MXNet
Facilidad de uso con Gluon
Mayor rendimiento
Para IoT y el borde
Flexibilidad y opciones
Impulso de clientes
![](https://d1.awsstatic.com/Deep%20Learning/Amazon.2f27bf2d14679b69e67745757101e49d0bb92183.png)
![](https://d1.awsstatic.com/Deep%20Learning/Banjo.3e03a1433ba7f3349b7bd4222f76ecee9f3a89ee.png)
![](https://d1.awsstatic.com/Deep%20Learning/Samsung_SDS.230e93bf56146745bb85a3154c05571de76dae74.png)
![](https://d1.awsstatic.com/Deep%20Learning/Celgene.43a840590a98cfd0acd3735cf8ea7b323829d534.png)
![](https://d1.awsstatic.com/Deep%20Learning/CMU.b42b941b70ec8d4b00e8fe5a8927531a4c63cfb1.png)
![](https://d1.awsstatic.com/Deep%20Learning/Wolfram.40aad38db15407aa3af0c5db58e84812d682131f.png)
![](https://d1.awsstatic.com/logos/200x100_logos/200x100_NTT-DOCOMO_Logo.ac7f6c8181316f06771a87e584a04402b558f8f3.png)
![](https://d1.awsstatic.com/logos/customers/TensorFlow/Nvidia-logo-01.d5050d1ec064df154ef5e839260d865c00c24bdd.png)
![](https://d1.awsstatic.com/Deep%20Learning/Intel.885cf8e69b0c82f3556af19c10c41bf6d550d634.png)
![](https://d1.awsstatic.com/Deep%20Learning/Jam_City.1a39604e6ecfb5142f7e88c1f98bf12aa4ef2105.png)
![](https://d1.awsstatic.com/Deep%20Learning/Julia_Computing.aff9f2e4a2b2816db9dab757d21ea91cb2c2d475.png)
![](https://d1.awsstatic.com/Deep%20Learning/Lohika.a6200cdbd59d754f41869548ab01ff6fe4e35392.png)
![](https://d1.awsstatic.com/Deep%20Learning/MNLAB_KAIST.19f30325593de965d7c2b715f875dc86bfa5eebc.png)
![](https://d1.awsstatic.com/Deep%20Learning/Emory_NLP.934605ad5c8ff8630b907430d94fbb0c4d0a4074.png)
![](https://d1.awsstatic.com/Deep%20Learning/PIXM.ba7f4a85d97feb02791f8bc774cc9b911583e116.png)
![](https://d1.awsstatic.com/Deep%20Learning/Borealis_AI.088999fc3cd0c955593b6d8870a94692df26423d.png)
![Cimpress Cimpress](https://d1.awsstatic.com/Deep%20Learning/cimpress-logo-615x100.19eb1426a7b17289a2dc06dc3848d95b1420919a.png)
![](https://d1.awsstatic.com/Deep%20Learning/SPL_Seoul_National_University.8dd934cf223148ae5026b2fd14caa219d0de9923.png)
![](https://d1.awsstatic.com/Deep%20Learning/Teamwork.cdc3b61a461ff50f2564238b8ef3adc89d51e471.png)
![](https://d1.awsstatic.com/Deep%20Learning/tusimple-logo-100x50.5ce879b7611806d61e8f07e27795e984684ab3dc.png)
![](https://d1.awsstatic.com/Deep%20Learning/Curalate.91f256588f6023310fff616faa7cf92b139759f5.png)
![logo beeva horizontal1 logo beeva horizontal1](https://d1.awsstatic.com/logos/partners/Logo-BEEVA.c9a8604c113dd8244ff1d646ce36243cb87ae54a.jpg)
![](https://d1.awsstatic.com/Deep%20Learning/gumgum-logo.be7e6e04ee3255560e3f89da71b05ce5fbcf365b.png)
![](https://d1.awsstatic.com/Deep%20Learning/basler-logo.3fab10f0d43e08c55d1fe6282ce71d427cf70087.jpg)
![](https://d1.awsstatic.com/Deep%20Learning/infer-logo.855bb33b1ec97781de6e1d1aead360d716aea50b.jpg)
![](https://d1.awsstatic.com/Deep%20Learning/moqi-logo-150x50.ed08c6eac3f57b775ad51912d0dfa1cafb423bc5.png)
![](https://d1.awsstatic.com/Deep%20Learning/bytedance-logo.17ef1902b3304f413010758e518dcdd8cb876a26.png)
![](https://d1.awsstatic.com/Deep%20Learning/eagleview-logo.832a0e3e6f692f98b3409c7a304849a9ab012132.jpg)
Casos prácticos
Existen más de 500 colaboradores en el proyecto MXNet, incluidos desarrolladores de Amazon, NVIDIA, Intel, Samsung y Microsoft. Obtenga información sobre cómo los clientes emplean MXNet para proyectos de aprendizaje profundo. Para ver más casos prácticos, consulte el blog de aprendizaje automático y el blog de MXNet de AWS.
Amazon SageMaker para aprendizaje automático
Amazon SageMaker es un servicio completamente administrado que permite a los desarrolladores y los científicos de datos crear, entrenar e implementar modelos de aprendizaje automático de forma rápida y sencilla a cualquier escala. Amazon SageMaker elimina todas las dificultades que suelen ralentizar a los desarrolladores que desean utilizar aprendizaje automático.