MegEngine
GitHub
面向不同的学习需求,帮助你更快上手使用MegEngine,助力深度学习快速进阶
MegEngine特性
直击深度学习研发痛点,实现高效 AI 实践
用户价值:缩短研发周期
  • 一套内核支撑训练到推理,无需模型转换,精度损失最小化。
  • 前后处理可放入计算图推理,训练推理精确对齐,python C++ 不用写两遍。
  • traced module → megengine lite → megflow,从模型到高并发视频流处理服务只需几行python代码。
                        
from megengine import jit

# 使用 trace 类装饰网络 forward 的函数
@jit.trace(symbolic=True, catpure_as_const=True)
def val_func(x, *, net ):
return net(x)

# 调用trace接口无需运行直接编译网络
train_func(data, label, opt=optimizer, net=le_net)

# 将编译后的网络进行导出,直接生成可用于部署的序列化文件
var_func(data, net=le_net)
val_func.dump('./mnist.mge', arg_names=["data"])
                      

3分钟看懂MegEngine

快速扩充你的
「 深度学习」 知识图谱

我们为机器学习/深度学习领域的初学者准备了一系列特别基础的 Learning-by-doing 教程, 可帮助你在学习MegEngine 的使用过程中加深对基础知识的理解,请从 MegEngine 基础概念 耐心顺序阅读下去,一定会有所收获。(如果你有其它深度学习框架使用经验,请参考 MegEngine 快速上手 教程,以便快速熟悉 API

快速上手指南

用户手册

开发者指南