MegEngine

文档 (英文) | 文档 (中文)

MegEngine 是一个快速、可扩展且易于使用的深度学习框架，具备以下三大核心特性：

训练推理一体化框架
- 量化、动态形状/图像预处理，甚至模型求导，均可在一个模型内完成。
- 训练完成后，可将所有内容整合到模型中，在任何平台上进行高速、高精度的推理。查看快速指南了解更多。
极致的硬件要求
- 启用 DTR 算法后，GPU 内存占用可降低至原来的三分之一。
- 利用我们的 Pushdown 内存规划器，实现最低内存占用的模型推理。
全平台高效推理
- 在 x86、Arm、CUDA 和 RoCM 平台上实现高速、高精度推理。
- 支持 Linux、Windows、iOS、Android、可信执行环境 (TEE) 等。
- 利用我们的高级特性优化性能和内存使用。

安装

注意： MegEngine 目前支持在 Linux-64位/Windows-64位/macOS(仅CPU)-10.14+/Android 7+(仅CPU) 平台上安装 Python 版本，支持 Python 3.6 到 3.9。在 Windows 10 上，你可以通过 Windows Subsystem for Linux (WSL) 安装 Linux 发行版，也可以直接安装 Windows 发行版。许多其他平台也支持推理功能。

预编译二进制包

通过 pip wheel 安装预编译的二进制包：

python3 -m pip install --upgrade pip
python3 -m pip install megengine -f https://megengine.org.cn/whl/mge.html

从源码构建

CMake 构建详情，请参阅 BUILD_README.md
Python 绑定构建详情，请参阅 BUILD_PYTHON_WHL_README.md

如何贡献

MegEngine 采用 Contributor Covenant 作为社区运行准则。请阅读行为准则。
每位 MegEngine 贡献者必须签署一份贡献者许可协议 (CLA)，以明确与贡献相关的知识产权许可。
你可以通过多种方式帮助改进 MegEngine：
- 编写代码。
- 改进文档。
- 在 MegEngine 论坛或 Stack Overflow 上回答问题。
- 在 MegEngine 模型中心贡献新模型。
- 在 MegStudio 上尝试新想法。
- 报告或调查 Bug 和问题。
- 审查 Pull Requests。
- 为 MegEngine 仓库点赞 (Star)。
- 在你的论文和文章中引用 MegEngine。
- 向你的朋友推荐 MegEngine。
- 任何其他形式的贡献都受到欢迎。

我们致力于构建一个开放、友好的社区。我们的目标是用 AI 赋能人类。

联系我们

Issue: github.com/MegEngine/MegEngine/issues
邮箱: megengine-support@megvii.com
论坛: discuss.megengine.org.cn
QQ 群: 1029741705

资源

许可证

MegEngine 使用 Apache License, Version 2.0 许可证。

引用

如果您在出版物中使用了 MegEngine，请使用以下 BibTeX 条目进行引用。

@Misc{MegEngine,
  institution = {megvii},
  title =  {MegEngine:A fast, scalable and easy-to-use deep learning framework},
  howpublished = {\url{https://github.com/MegEngine/MegEngine}},
  year = {2020}
}

项目地址：https://github.com/MegEngine/MegEngine

2 次点击 ∙ 0 人收藏

登录后收藏

目前尚无回复

0 条回复

MegEngine — 旷视深度学习框架