开发时间表¶
版本 |
模块 |
特性 |
---|---|---|
v0.1 2015 九月 |
神经网络 |
前向传播神经网络, 包括 CNN, MLP |
类 RBM 模型, 包括 RBM |
||
循环神经网络, 包括标准 RNN |
||
架构 |
在单节点运行一个工作组 (包括划分) |
|
在单节点运行多个工作组, 用 Hogwild |
||
分布式 Hogwild |
||
跨多节点运行多个工作组 , 如 Downpour |
||
All-Reduce 训练架构如 DeepImage |
||
服务器间负载均衡 |
||
失败恢复 |
检查点和恢复 |
|
工具 |
用 GNU 自动工具安装 |
|
v0.2 2016 一月 |
神经网络 |
前向传播神经网络, 包括 AlexNet, cuDNN 层, 工具 |
循环神经网络, 包括 GRU 层和 BPTT |
||
模型划分和混合划分 |
||
工具 |
融合 Mesos 资源管理 |
|
准备部署 Docker images |
||
可视化神经网络和调试信息 |
||
绑定 |
主要组件 Python 绑定 |
|
GPU |
单节点多个 GPU |
|
v0.3 2016 四月 |
GPU |
多个节点, 每个包含多个 GPU |
用 GPU 和 CPU 混合训练 CcT |
||
支持 cuDNN v4 |
||
安装 |
删除 ZeroMQ, CZMQ 依赖, 单节点训练 zookeeper |
|
优化器 |
添加新的 SGD 优化器,包括 Adam, AdamMax 和 AdaDelta |
|
绑定 |
增强 Python 绑定训练 |
|
v1.0 2016 九月 |
模型抽象 |
Tensor 基于线性代数, 神经网络和随机运算 |
分布式参数更新优化器 |
||
硬件 |
使用 Cuda 和 Cudnn for Nvidia GPU |
|
使用 OpenCL for AMD GPU 及其他设备 |
||
跨平台 |
从 Linux 扩展到 MacOS |
|
大型图像模型, 例如, VGG 和 Residual Net |
||
v1.1 2017 一月 |
模型库 |
GoogleNet; 医疗健康模型 |
Caffe 转换器 |
使用 SINGA 训练模型, 从 caffe proto 文件配置 |
|
模型组件 |
添加 concat 和 slice 层; 接受多个输入网络 |
|
编译和安装 |
Windows 支持 |
|
通过与 protobuf 和 openblas 一起编译 SINGA 简化安装 |
||
用 Jenkins 自动生成 python wheel |
||
从 Debian packages 安装 SINGA |
||
v1.2 2018 六月 |
AutoGrad |
后向传播 AutoGrad |
Python 3 |
PySinga 支持 Python 3 |
|
模型 |
添加流行模型, 包括 VGG, ResNet, DenseNet, InceptionNet |