據報道，亞馬遜和微軟合力推出全新的深度學習庫，名字叫Gluon。此舉被認為是在云計算市場上與谷歌叫板，谷歌曾通過AI生態系統發力云計算，強調自身產品對深度學習的強大支持。Gluon可以讓訓練神經網絡像開發APP一樣簡單，簡潔的代碼構建神經網絡，而不需要犧牲性能。

近日，AWS和微軟共同宣布了推出一個新的深度學習庫：Gluon。Gluon允許所有技能水平的開發者設計原型、創建和訓練深度學習模型，部署在云端、終端設備或手機APP。

Gluon接口目前與Apache MXNet兼容，并將在即將發布的版本中支持微軟認知工具包（CNTK）。使用Gluon接口，開發人員可以使用簡單的Python API和一系列預構建、優化的神經網絡組件來構建機器學習模型。這使得開發者更容易使用簡單、簡潔的代碼構建神經網絡，而不需要犧牲性能。

AWS和微軟發布了Gluon的參考規范，因此其他深度學習引擎可以與該接口集成。

美國媒體CNBC在對這一新的深度學習庫進行報道時提到，這是亞馬遜和微軟兩大巨頭近日在人工智能上宣布的第二項重大合作，和此前一樣，谷歌被排除在合作之外（當然，也可能是谷歌自身對這樣的合作也不感興趣，谷歌自己的深度學習開源框架TensorFlow目前已經是開源社區Githu上同類框架中最受歡迎的，用戶量在不斷攀升）。

亞馬遜和微軟此舉被認為是與谷歌在云計算市場上展開爭奪的重要舉措。谷歌2017年以來通過強大的AI生態系統，在云計算上持續發力，尤其強調自身產品對AI和深度學習的強大支持能力。

微軟在聯盟上的動作最近非常頻繁，9月7號微軟聯手Facebook推出了開放神經網絡交換Open Neural Network Exchange （ONNX） 格式。這是一個用于表示深度學習模型的標準，可使模型在不同框架之間進行轉移。10月11日，AMD、ARM、華為、 IBM、英特爾、Qualcomm都宣布將支持ONNX。

“機器學習的潛力只有在所有開發者都能訪問的情況下才能實現。今天的現實是，構建和訓練機器學習模型需要大量繁重的工作和專門的專業知識，”亞馬遜副總裁Swami Sivasubramanian說，“我們創建了Gluon接口，使得構建神經網絡和訓練模型就像開發APP一樣簡單。我們期待與微軟的合作，為讓機器學習更容易使用的目標繼續開發Gluon接口。”

微軟人工智能和研究副總裁Eric Boyd說：“我們認為，對于整個行業來說，合作并集中資源來打造造福廣大社區的技術是很重要的。這就是微軟與AWS合作開發Gluon接口的原因，并支持開放的AI生態系統，讓開發者可以自由選擇。機器學習有能力改變我們工作、互動和交流的方式。為了實現這一目標，我們需要將正確的工具放在正確的位置，而Gluon接口則是朝著這個方向邁出的一步。”

下面是Gluon的要點和代碼示例：

簡單、易于理解的代碼

在Gluon中，你可以使用簡單、清晰、簡潔的代碼來定義神經網絡。你可以得到一套完整的即插即用的神經網絡構建塊，包括預定義的層、優化器和初始化器。這些把許多復雜的底層實現細節提取出來。下面的例子展示了如何用幾行代碼定義一個簡單的神經網絡：

下圖展示了這個神經網絡的結構：

要了解更多信息，請到對應教程學習如何構建一個多層感知器（MLP）的簡單神經網絡，并使用Gluon神經網絡構建塊。對于更高級的用例，從頭開始編寫神經網絡的一些部分也是很容易的。Gluon允許在你的神經網絡中混合和匹配預定義和自定義組件。

靈活的結構

訓練神經網絡模型在計算上是非常密集的，在某些情況下，可能需要幾天甚至幾周的時間。許多深度學習框架通過嚴格定義模型和將其與訓練算法分離開來，從而減少訓練時間。這種嚴格的方法大大增加了復雜性，也使調試變得困難。

Gluon方法不同。它將訓練算法和神經網絡模型結合在一起，從而在不犧牲性能的前提下為開發過程提供了靈活性。這種方法的核心是Gluon trainer，它用于訓練模型。

trainer方法依賴 MXNet autograd 庫，它用于自動計算導數（即，梯度）。導數是一個用來測量變量變化速率的數學計算。它是訓練算法的必要輸入。autograd庫可以有效地實現這些數學計算，這對于Gluon提供的靈活性至關重要。現在你可以定義一個訓練算法，它由一個簡單的嵌套for循環組成，通過合并autograd和trainer。

這種靈活的結構使代碼直觀、易于調試，并為更高級的模型打開了大門。你可以使用熟悉的、原生的Python語言結構，比如for循環或神經網絡中的if語句，或作為算法的一部分。通過將模型和算法組合在一起，就可以執行模型中的每一行代碼，從而更容易地識別出導致bug的特定代碼行。

動態圖

在某些情況下，神經網絡模型可能需要在訓練過程改變形狀和大小。特別是當輸入到神經網絡的數據輸入是可變的時，這是必需的。這在自然語言處理（NLP）中很常見，因為在自然語言處理中，每個句子的輸入都可以是不同的長度。使用Gluon，神經網絡定義可以是動態的，這意味著你可以隨時構建任何你想要的結構，并使用任何Python的控制流。

例如，這些動態的神經網絡結構使構建一個樹結構的長短期記憶（LSTM）模型變得更容易，這是Kai Sheng Tai、Richard Socher和Chris Manning在2015年提出的，是NLP的一個重要發展。Tree LSTM 是一種強大的模型，它可以識別一對句子是否具有相同的含義。下面的例子中，兩個句子有著相同的意思：

“Michael threw the football in front of the player.”（邁克爾把足球扔到球員面前。）

“The ball was thrown short of the target by Michael.”（球被邁克爾扔出目標。）

我們可以僅將這些句子輸入一個循環神經網絡（一種流行的序列學習模型）來進行分類。但是，樹形LSTM的主要觀點是，我們經常在需要先備知識的語言方面遇到問題。例如，句子有語法結構，我們有強大的工具可以從句子中提取出這個結構。我們可以用一個樹形結構的神經網絡來組合這些單詞，它的結構模仿了句子中已知的語法樹結構，如下圖所示：

（The Stanford Natural Language Processing Group）

這就需要為每個例子構建一個不同的神經網絡結構。使用傳統框架這很難實現，但是Gluon可以解決這個問題。在下面的代碼片斷中，你可以看到如何在模型訓練的每個前向迭代中合并一個循環，并且仍然受益于autograd和trainer的簡化。這使模型能夠遍歷一個句子的樹結構，從而基于該結構學習。

高性能

有了Gluon提供的靈活性，你就可以很容易地設計原型并嘗試使用神經網絡模型。然后，當速度變得比靈活性更重要時（例如，當你準備好輸入所有的訓練數據時），Gluon接口能夠輕松地緩存神經網絡模型以實現高性能，并減少內存占用。當你完成原型并準備在一個更大的數據集上測試，只需要小的調整。你必須使用HybridSequential，而不是使用 Sequential（如前面的例子所示）來堆棧神經網絡的層。HybridSequential的功能與Sequential相同，但是它允許調用底層的優化引擎來表達模型的部分或全部架構。

接下來，為了編譯和優化 HybridSequential，我們可以調用它的hybridize 方法：

　　net.hybridize（）

現在，當你訓練模型時，將能夠獲得與本機MXNet接口相同的高性能，同時減少內存使用。