微软开源深度学习工具包CNTK更新2.3版，带来多重性能改进

近日微软更新了自家开源深度学习工具包CNTK，新的版本号为2.3，带来了多项性能改进。

CNTK全名为Computational Network Toolkit，与谷歌的TensorFlow、Facebook的Caffe/Caffe2一样是开源的计算平台/工具包，意在服务更多深度学习、人工智能的研究人员和开发者们。从2016年开源起，微软就宣传CNTK的性能明显高于Caffe、Theano、TensoFlow等其它的一些热门工具，当然也提供了基于英伟达cuDNN的一到多GPU加速支持。

CNTK在2.0的多个Beta和RC版本中逐步更新了面向Python、C++、C#、Java等语言的API支持，对Keras的后端支持，Python示例和教程、自动安装等等一大堆新功能，接着在2.1中把cuDNN版本升级到了6.0、支持Universal Windows Platform，在2.2中做了许多模型支持相关的改进之后，近日CNTK也发布了2.3版本。AI研习社把更新内容简单介绍如下：

CNTK 2.3 更新重点

• 对ONNX标准的更好支持（关于ONNX看这里http://t.cn/Rpbv0JH）
• 分布式训练支持切换到NCCL2，带来更好的性能（NCCL是英伟达官方的多卡训练库，详细解读看这里http://t.cn/RWciCvH）
• 改进了C# API 的支持
• （2.2版本中必须安装OpenCV库）现在OpenCV不是必须安装的，只有当用到TensorBoard Image功能和图像读取功能时才需要安装它
• 多重性能改进
• 增加了网络优化API
• 更快的稀疏Adadelta

性能改进的相关项目包含

• 改进 C# API，提升训练和预测性能
• 通过自由动态轴的支持，提升带有卷积操作的网络的训练速度。对于某些模型，训练速度可以提升5倍以上；
• 提升验证性能，移除了许多不需要的验证检查；
• CPU 卷积中更多地使用MKL-ML，AlexNet的训练速度可以提升4倍；
• Linux的正式版CNTK-GPU会默认使用NCCL2，可以降低分布式训练中的聚合开销。对于Python用户来说没有什么影响，Linux的Python自己就带有NCCL支持。BrainScript版本的用户需要先自己手工安装NCCL库作为CNTK的运行环境，就像CUDA和CUDNN一样。CPU版本和Windows版本都不受影响，因为目前NCCL只支持Linux。
• 提升了梯度稀疏时Adadelta的更新速度。现在每次更新的运行时间和梯度中不为零的元素的数量成正比。对于在单个GPU上运行的带有高维稀疏输入（大约2百万特征）的前馈模型，性能可以提升5倍。内存需求稍有增加，每一个稀疏的输入特征会需要额外的四个字节空间（对前面提到的模型来说一共增加8MB左右的内存需求）

其它值得注意的项目

• 2.3版本是最后一个支持Python3.4的版本，未来版本的CNTK将不再支持Python3.4。
• ONNX方面，优化标准支持的同时，ONNX标准也更新到了最新版本；目前已经覆盖了ResNet、Inception、VGG在内的多数计算机视觉模型
• 增加了GPU上分组卷积的支持

CNTK2.3版本此次发布了运行在Windows下的CPU、GPU、GPU+1bit-SGD、UWP等多个版本以及运行在Linux下的CPU、GPU、GPU+1bit-SGD三个版本，都支持64位系统。有需要的研究人员和开发者请到CNTK的github（http://t.cn/RbmuElb）马上更新吧。