Apache SINGA

Un article de Wikipédia, l'encyclopédie libre.
Apache SINGA
Description de l'image Apache_SINGA_logo.png.
Description de l'image Singav1-sw.png.
Informations
Développé par Apache Software FoundationVoir et modifier les données sur Wikidata
Première version Voir et modifier les données sur Wikidata
Dernière version 2.0.0 ()Voir et modifier les données sur Wikidata
Écrit en C++Voir et modifier les données sur Wikidata
Système d'exploitation Linux, macOS et Microsoft WindowsVoir et modifier les données sur Wikidata
Licence Licence ApacheVoir et modifier les données sur Wikidata
Site web singa.incubator.apache.orgVoir et modifier les données sur Wikidata

Apache SINGA est un projet Apache encore en Incubation dédié au Deep learning. Il offre une architecture flexible pour un entrainement distribuée, est extensible pour s'exécuter sur une large gamme de matériel et se concentre sur les applications de soins de santé.

Historique[modifier | modifier le code]

Le projet SINGA a été lancé par le groupe DB System de l'Université nationale de Singapour en 2014, en collaboration avec le groupe de bases de données de l'Université du Zhejiang, afin de prendre en charge des analyses complexes à l'échelle et de rendre les systèmes de bases de données plus intelligents et autonomes[1]. Il s'est concentré sur le deep learning distribué en partitionnant le modèle et les données sur des nœuds d'un cluster et en parallélisant la phase d'entrainement[2],[3]. Le prototype a été accepté par Apache Incubator en . Sept versions ont été publiées, comme indiqué dans le tableau suivant. Depuis la version 1.0, SINGA prend en charge les modèles d’apprentissage automatique traditionnels, tels que la régression logistique. Des entreprises comme NetEase[4], yzBigData, Shentilium et d’ autres utilisent SINGA pour leurs applications, y compris dans les domaines de la santé [5] et de la finance.

Version Original release date Latest version Release date
Dernière version stable: 2.0.0 2019-04-20 2.0.0 2019-04-20
Ancienne version, toujours prise en charge : 1.2.0 2018-06-06 1.2.0 2018-06-06
Ancienne version, toujours prise en charge : 1.1.0 2017-02-12 1.1.0 2017-02-12
Ancienne version, toujours prise en charge : 1.0.0 2016-09-08 1.0.0 2016-09-08
Ancienne version, plus prise en charge : 0.3.0 2016-04-20 0.1.0 2016-04-20
Ancienne version, plus prise en charge : 0.2.0 2016-01-14 0.2.0 2016-01-14
Ancienne version, plus prise en charge : 0.1.0 2015-10-08 0.1.0 2015-10-08
Légende :
Ancienne version
Ancienne version, toujours prise en charge
Dernière version stable
Dernière version avancée
Version future

Pile logiciel[modifier | modifier le code]

La pile logicielle de SINGA comprend trois composants principaux: le noyau, les entrées / sorties et le modèle. La figure suivante illustre ces composants avec le matériel. Le composant principal assure la gestion de la mémoire et les opérations de tenseurs; IO a des classes pour lire (et écrire) des données depuis (sur) le disque et le réseau; Le composant de modèle fournit des structures de données et des algorithmes pour les modèles d’apprentissage automatique, par exemple des couches pour les modèles de réseau neuronal, des optimiseurs / initialiseurs / métriques / pertes pour des modèles d’apprentissage automatique généraux.

Apache Singa software stack

Rafiki[modifier | modifier le code]

Rafiki [6] est un sous-module de SINGA destiné à fournir un service d'analyse d'apprentissage automatique.

Références[modifier | modifier le code]

  1. Wei, Meihui, Gang et H.V., « Database Meets Deep Learning: Challenges and Opportunities. », SIGMOD Record, vol. 45, no 2,‎ , p. 17–22 (DOI 10.1145/3003665.3003669, lire en ligne)
  2. Ooi, Tan, Sheng et Wang, « SINGA: A distributed deep learning platform », ACM Multimedia,‎ (DOI 10.1145/2733373.2807410, lire en ligne, consulté le )
  3. Wei, Chen, Anh Dinh et Gao, « SINGA: putting deep learning in the hands of multimedia users », ACM Multimedia,‎ (DOI 10.1145/2733373.2806232, lire en ligne, consulté le )
  4. 网易, « 网易携手Apache SINGA角逐人工智能新战场_网易科技 », tech.163.com (consulté le )
  5. « New app allows pre-diabetics to use photos of their meal to check if it is healthy », www.straitstimes.com (consulté le )
  6. Wang, Gao, Zhang et Sheng, « Rafiki: Machine Learning as an Analytics Service System », PVLDB 12(2),‎ (DOI 10.14778/3282495.3282499, lire en ligne, consulté le )