Tools for AI:以开发者为中心的全平台人工智能开发套件

在前不久的微软Build 2018大会上,微软围绕“如何利用人工智能技术来构建更智能的云和边缘计算”这个中心,介绍了从Cognitive Services、Bot Framework、 Azure ML到Brainwave等一系列产品更新。

在前不久的微软Build 2018大会上,微软围绕“如何利用人工智能技术来构建更智能的云和边缘计算”这个中心,介绍了从Cognitive Services、Bot Framework、 Azure ML到Brainwave等一系列产品更新。而在今天召开的2018微软人工智能大会(Microsoft AI Innovate 2018)上,微软又针对中国市场推出一系列新技术和工具,包括由中国研发团队主导开发的Tools for AI人工智能开发套件。

Tools for AI为开发者提供了一个全平台全软件产品生命周期支持各种深度学习框架的开发套件。开发者可以通过熟悉的Visual Studio和Visual Studio Code开发工具,快速开发深度学习相关的程序。Tools for AI的一键安装功能可以帮助开发者配置深度学习的开发环境,配合Visual Studio (Code)自带的Python语言开发功能,开发者可以方便地编辑和调试基于CNTK、TensorFlow、PyTorch等主流深度学习框架下构建的深度学习训练程序。

开发者不仅可以方便地在本地编辑和调试训练程序,还可以充分利用云端的计算资源加速训练。针对不同开发者所拥有的云端资源差异,Tools for AI提供了多种支持。对于已拥有小规模自有训练资源的开发者,Tools for AI支持任意远端的Linux服务器或者基于容器的服务器;对于已经采用Azure ML、Azure Batch for AI等云端高级训练服务的客户,Tools for AI也可直接支持;对于想自己搭建较大规模训练集群的开发者,Tools for AI则通过与开源开放深度学习平台软件Open Platform for AI (OpenPAI) 合作提供支持。

值得一提的是,对于云端训练,Tools for AI可通过统一的可视化界面对训练任务、数据进行管理。可视化的调试工具、参数自动选择工具等高级功能的继承,也将帮助开发者更加高效地利用云端训练资源。

从模型到应用,一直是深度学习技术落地的关键一环。基于深度学习模型标准ONNX和微软最近发布的SDK WinML,Tools for AI可以帮助用户开发基于Universal Windows Platform (UWP)的应用程序。通过自带的模型转换工具和运行库,Tools for AI也能帮助用户开发Android、iOS上的应用。此外,基于Tools for AI,开发者还可以利用Cognitive Services微软认知服务等预先开发好的深度学习模型和服务来开发应用程序。

Tools for AI开发套件的特性可以总结为:

1. Tools for AI与Visual Studio (Code) 配合,为开发者提供了一个快速入门深度学习开发的集成开发环境,包括:

  • 跨平台的Python编辑调试环境

  • 一键安装所有主流深度学习框架开发环境,包括CNTK、TensorFlow、PyTorch、Caffe2、MXNet

  • 包含庞大的样例库和项目模板等

2. Tools for AI可与各层级云端紧密集成,方便开发者利用云端资源管理和训练深度学习模型,支持的云端服务包括:

  • 任意的远程Linux服务器

  • 基于容器技术的服务器

  • Azure上的DLVM虚拟机;Azure ML服务;Azure Batch AI服务

  • 深度学习平台软件Open Platform for AI (OpenPAI)

3. Tools for AI提供完整的人工智能开发生命周期管理功能,包括模型训练、模型转换、应用程序开发等。

4. Tools for AI和微软预建的高阶人工智能服务(例如微软认知服务Cognitive Services)相结合,可帮助开发者更快地开发应用程序。

秉持开放、以开发者为中心的设计理念,Tools for AI致力于提供给开发者一个熟悉、一致和开放的开发环境,帮助他们完成深度学习开发全生命周期的所有工作。了解更多关于Tools for AI人工智能开发套件的信息,欢迎访问:

https://www.visualstudio.com/downloads/ai-tools-vs/

https://marketplace.visualstudio.com/items?itemName=ms-toolsai.vscode-ai

入门Python深度学习边缘计算人工智能TensorFlow
1
相关数据
人工智能技术
Artificial Intelligence

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

MXNet技术
MXNet

MXNet是开源的,用来训练部署深层神经网络的深度学习框架。它是可扩展的,允许快速模型训练,并灵活支持多种语言(C ++,Python,Julia,Matlab,JavaScript, Go,R,Scala,Perl,Wolfram语言)

参数技术
parameter

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

批次技术
Batch

模型训练的一次迭代(即一次梯度更新)中使用的样本集。

深度学习技术
Deep learning

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。 近年来监督式深度学习方法(以反馈算法训练CNN、LSTM等)获得了空前的成功,而基于半监督或非监督式的方法(如DBM、DBN、stacked autoencoder)虽然在深度学习兴起阶段起到了重要的启蒙作用,但仍处在研究阶段并已获得不错的进展。在未来,非监督式学习将是深度学习的重要研究方向,因为人和动物的学习大多是非监督式的,我们通过观察来发现世界的构造,而不是被提前告知所有物体的名字。 至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

张量技术
Tensor

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

TensorFlow技术
TensorFlow

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

边缘计算技术
Edge Computing

微软研究院AI头条
微软研究院AI头条

微软亚洲研究院是微软公司在亚太地区设立的研究机构,也是微软在美国本土以外规模最大的一个。从1998年建院至今, 通过从世界各地吸纳而来的专家学者们的鼎力合作,微软亚洲研究院已经发展成为世界一流的计算机基础及应用研究机构,致力于推动整个计算机科学领域的前沿技术发展,并将最新研究成果快速转化到微软全球及中国本地的关键产品中,帮助消费者改善计算体验。同时,微软亚洲研究院着眼于下一代革命性技术的研究,助力公司实现长远发展战略和对未来计算的美好构想。

微软研究院AI头条
微软研究院AI头条

专注科研19年,盛产黑科技

推荐文章
将科幻变成现实,谷歌百度用神经机器翻译践行人类的「巴别塔之梦」将科幻变成现实,谷歌百度用神经机器翻译践行人类的「巴别塔之梦」
机器之心机器之心
终结亚马逊一家独大:AI时代微软谷歌云服务的四个机遇终结亚马逊一家独大:AI时代微软谷歌云服务的四个机遇
李泽南李泽南
严格的评选标准,造就了这张分享量过千的在线机器学习课程榜单严格的评选标准,造就了这张分享量过千的在线机器学习课程榜单
机器之心机器之心
1
返回顶部