Sie sind hier: HomeSteuerungsebeneIndustrie-PC

Industriecomputer: Rechenpower für KI

Fortsetzung des Artikels von Teil 3.

Wichtige Tools für Deep Learning

Beim Aufbau und der Implementierung von KI-Lösungen können Anwendern folgende Frameworks und Bibliotheken helfen: 

  • BigDL: eine verteilte Deep-Learning-Bibliothek für Apache Spark, die auf Spark- oder Hadoop-Clustern läuft. Dabei handelt es sich um eine eine optimierte Bibliothek mit Funktionen, die sehr effizient auf dem Rechnerkern ausgeführt werden. Die Library stammt von Intel, sodass diese Operationen für den Betrieb auf Intel-CPUs optimiert sind.
  • Caffe: ein Deep-Learning-Framework, das vom Berkeley Vision and Learning Center (BVLC) entwickelt wurde; Caffe eignet sich beispielsweise für Deep Learning und Bilderkennung. Dabei können Entwickler schnell mit vorhandenen Modellen starten.
  • Intel MKL-DNN (Math Kernel Library for Deep Learning Networks): eine Open-Source-Performance-Library zur Beschleunigung von Deep-Learning-Frameworks auf Intel-Architekturen.
  • Intel MLSL (Machine Learning Scaling Library): eine Bibliothek, die eine effiziente Implementierung von Kommunikationsmustern ermöglicht.
  • Intel Neon: ein auf Python basierendes und für Intel optimiertes Deep Learning Framework für neuronale Netzwerke wie AlexNet, Visual Geometry Group (VGG) und GoogLeNet; Neon arbeitet hervorragend mit Intel MKL (Math Kernel Library) zusammen. Die Library bietet CPU-optimierte Implementierungen und nutzt die Vektorisierungs- und Parallelisierungsfunktionen der Intel-Architektur. 
  • Nvidia cuBLAS Bibliothek: eine GPU-beschleunigte Implementierung des Standards BLAS (Basic Linear Algebra Subroutines). Mit den cuBLAS-APIs können Entwickler ihre Applikationen beschleunigen, indem sie rechenintensive Operationen auf einer einzelne GPU implementieren oder den Workload auf mehrere GPUs verteilen. 
  • Nvidia cuDNN (CUDA Deep Neural Network Library): eine GPU-beschleunigte Bibliothek für Deep Neural Netzworks. cuDNN arbeitet mit Deep Learning Frameworks wie Caffe, Caffe2, Chainer, Keras, Matlab, MxNet, TensorFlow und PyTorch zusammen. 
  • Nvidia NCCL (Collective Communication Library): bietet Routinen, die für eine hohe Bandbreite über PCIe und NVLink optimiert sind.
  • TensorFlow: eine Softwarebibliothek zur numerischen Berechnung, die dafür Datenflussgraphen benutzt.