在 Amazon 之前已经有很多公司在默默的用 MXNet 了，只是没有大肆宣传。比如图森、地平线、搞 Mathematica 的 Wolfram 都给 MXNet 贡献了很多代码。

我对 MXNet 的前景很乐观，欢迎大家试用，也欢迎贡献代码，众人拾柴火焰高嘛，不知道从哪里下手的同学帮忙完善一下文档也是好的。有意全职做 MXNet 相关工作的可以联系我们，我们可以帮忙介绍美国 Amazon 以及北京、深圳各大机器学习 Startup 的工作:)

P.S. 这篇文章里关于分布式效率的细节比较少，GPU 也是 K80，atv，比较老。但是我以节操担保线性加速的结果是靠谱的。我们自己在 Titan X 上用 resnet 也能跑出类似的效果。大家可以来试试。

2）在今后的发展中，你怎么看待和 Caffe、CNTK、TensorFlow 以及 Torch 的竞争？

Eric: Caffe 有辉煌的历史，atv，但是随着深度学习模型发展的越来越复杂，对灵活性要求越来越高，已经很难适应需求了。yangqing 吸取了 Caffe 的经验教训，已经开始在 Facebook 内部搞 Caffe2 了。Caffe 的用户应该会在未来 1 到 2 年内迁移到其它平台;

CNTK 目前热度不高，但是微软在持续投入，最近刚加入了 Python 前端，未来怎么样还不好说。

值得一提的是微软的 Azure 团队最近发了若干篇在 Windows 上用 MXNet 和 R 做深度学习的 blog。个人认为是因为 MXNet 对 Windows 和 R 都有完善的支持，用 Windows 的统计学家是微软的重要客户群。

剩下的平台都有各自的特色，我认为未来会共存很长时间，很难实现一款平台统一所有市场

Torch 比较像一个免费且原生支持 GPU 的 Matlab，在学术圈习惯 Matlab 或者不用 Python 的人群中很受欢迎。Torch 的封装少，简单直接，前期学习和开发时的思维难度都比较低。但是由于封装少和 Lua 本身的限制，工程性不好、容易乱写、代码可复用性差，导致 Torch 不适合做大项目的开发。

TensorFlow 希望做一个大而全的机器学习框架，而不只满足于深度学习。我认为 TF 会沿着替代 sk-learn 的方向发展，会比较适合快速实现标准算法。但是大而全的负面因素就是代码量大、抽象层数多、代码冗余，对性能和可定制性都会带来负面影响。可能并不适合需要深度定制、对性能敏感的企业和做前沿研究的 research。

MXNet 的方向是小而精、灵活高效。我们希望把核心深度学习的做到极致。MXNet 的代码量小，容易深度定制，同时支持 imperative（类似 Torch）和 declarative（类似 TF）两种 API，所以更灵活。另外 MXNet 的单机和分布式性能都是很好的。缺点是相对于 Torch 学习难度会大一些，另外以前没有资金支持，文档和宣传做的比较差。但是有了 Amazon 的支持，相信在这些方面会有大幅改善。

　　3）可否为大家讲解一下 MXNet 是如何达到拔群的 scaling efficiency 的?

Eric：MXNet 的并行化部分用了李沐的 pslite 进行通信，基于 zeromq，效率很高。另外 MXNet 基于依赖引擎（Dependency Engine）调度，每一层的梯度计算完毕后马上就可以开始传输，实现最优的 communication and computation overlapping。

4）可以介绍一些基于 MXNet 的有趣应用吗？

Eric: MXNet 有 Fast/Faster RCNN 和 SSD 的实现样例，另外还有一个用 DQN 玩 Flappy Bird 的例子，比较有趣：

Fast/Faster RCNN案例：https://github.com/dmlc/mxnet/tree/master/example/rcnn

SSD案例：https://github.com/dmlc/mxnet/tree/master/example/ssd

DQN-Flappy Bird案例：https://github.com/li-haoran/DRL-FlappyBird

5）MXNet 开源社区现在发展状况如何？说点什么呼吁人们参与到 MXNet 的开发和应用中来？

Eric:MXNet 的社区很活跃，我们已经有超过 200 个 contributor，包括很多公司的员工，以及学生和爱好者。MXNet 需要提升的主要是文档和教程。另外陈天奇正在研究运行时编译（RTC），不久后会发布，可以带来进一步的性能提升。近期我们会发布 0.9 版本，完成了后端到 nnvm 的迁移，以及很多新的 feature，比如一个用来调试性能的 profiler。

©本文为机器之心原创文章，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]