Llegamos a ustedes gracias a:



Noticias

Microsoft y Facebook anuncian proyecto conjunto: ONNX

Logra que los modelos de aprendizaje de máquina sean portables y compartibles.

[11/08/2017] Microsoft y Facebook han anunciado un proyecto conjunto para hacer más fácil para los analistas de datos el intercambio de modelos entrenados entre los diferentes marcos de trabajo de aprendizaje de máquina.

El Open Neural Network Exchange (ONNX) está destinado a proporcionar una forma común de representar los datos utilizados por las redes neuronales. La mayoría de los marcos de trabajo tiene su propio formato de modelo específico que solo funciona con los modelos de otros marcos de trabajo a través de una herramienta de conversión.

ONNX permite que los modelos sean intercambiados libremente entre los marcos de trabajo sin necesidad del proceso de conversión. Un modelo entrenado en un marco de trabajo puede utilizarse por inferencia en otro marco de trabajo.

Microsoft afirma que el formato ONNX ofrece ventajas más allá de no tener que convertir entre formatos de modelos. Por ejemplo, permite a los desarrolladores elegir marcos de trabajo que reflejen el trabajo y el flujo de trabajo a mano, puesto que cada marco de trabajo tiende a ser optimizado para diferentes casos de uso: "Entrenamiento rápido, soporte de arquitecturas de red flexibles, inferencias en dispositivos móviles, etcétera.

Facebook resalta que algunos marcos de trabajo importantes ya están a bordo empezar a soportar ONNX. Caffe2, PyTorch (ambos proyectos de Facebook) y Cognitive Toolkit (proyecto de Microsoft) proporcionarán soporte en algún momento de septiembre. Esto, de acuerdo con Facebook, "permitirá a los modelos entrenados en uno de estos marcos de trabajo ser exportados a otro por inferencia.

La primera oleada de versiones que soporten a ONNX no cubrirá todo. En el caso de PyTorch, Facebook señala que "algunos de los programas más avanzados en PyTorch como aquellos con control de flujo dinámico no se beneficiarán completamente del soporte de ONNX todavía.

No queda claro de inmediato la forma en que el modelo ONNX mejorará en comparación con aquellos que ya son de uso común. El formato Core ML de Apple, por ejemplo, fue diseñado por Apple para que los modelos pequeños pero precisos puedan ser desplegados en, y servidos desde, dispositivos de usuario final como el iPhone. Pero Core ML es propietario. Uno de los objetivos de largo plazo de ONNX es hacer más fácil entregar modelos para inferencia a muchas clases de objetivos.