MXNet 0.11發布，加入動態圖接口Gluon，還有兩位CMU教授的親筆教程

經過3個月的開發，MXNet 0.11版發布啦！0.11是MXNet正式加入Apache以後的第一個版本，官方網站搬到了Apache的服務器（注意：要在最上方Version處選擇master才能看到包含Gluon的最新文檔）。

這次最大的改進是加入了動態圖接口Gluon。Gluon學習了Keras，Chainer，和Pytorch的優點，並加以改進。接口更簡單，且支持動態圖（Imperative）編程。相比TF，Caffe2等靜態圖（Symbolic）框架更加靈活易用。同時Gluon還繼承了MXNet速度快，省顯存，並行效率高的優點，並支持靜、動態圖混用，比Pytorch更快。

同時為了徹底解決MXNet文檔不全的弱點，我們還特地邀請了前CMU知名教授Alex Smola和即將出任CMU教授的小網紅Zachary Lipton聯手為Gluon打造文檔！

接口更簡潔

Gluon采用Keras和Numpy風格API，並且Layer可以自動判斷輸入長度。用過Chainer和Pytorch的人想必都體會過每一層都要記住前一層輸出長度的麻煩，從卷積層到全連接層過渡時長度計算更是痛苦，往往要運行一遍才知道。在Gluon裏則沒有這種問題，每層隻要指定輸出長度，輸入長度則可以由係統自動計算。

MXNet 0.11發布，加入動態圖接口Gluon，還有兩位CMU教授的親筆教程

速度更快

深度學習框架大體分為兩類：以TensorFlow，caffe2為代表的靜態圖（Symbolic）框架和以Chainer，Pytorch為代表的動態圖（Imperative）框架。靜態圖的優勢在於速度快，省內存，便於線上部署。而動態圖框架的優勢是靈活，易用，debug方便，特別是在自然語言處理和增強學習等領域，比起靜態圖框架有顯著優勢。

Gluon同時支持靈活的動態圖和高效的靜態圖，讓你在享受動態編程的靈活易用的同時最小化性能的損失。而Gluon的HybridBlock和hybridize接口讓你可以在靜態動態間一鍵切換。0.11版Gluon比0.20版Pytorch快10%以上，在未來的一兩個月我們會加入更多優化，再提高10%以上的性能。

MXNet 0.11發布，加入動態圖接口Gluon，還有兩位CMU教授的親筆教程

既是文檔，又是教材

深度學習的教材和樣例雖多，但是教材往往重理論輕實踐，而樣例重實踐卻不係統。為了填補理論和實踐之間的空白，並一舉解決MXNet文檔不全的弱項，我們特邀兩位CMU教授Alex Smola和Zachary Lipton為Gluon撰寫一部兼顧深度學習理論，動手編程，和實戰應用的文檔+教材。

Gluon教程包括深度學習理論講解和代碼實踐。前五章每個例子都包括了兩個版本。從零開始（from scratch）版本深入講解所有細節，Gluon版本則著重演示高級封裝的靈活高效。建議剛開始接觸深度學習的同學從頭開始順序閱讀，而已經有一定經驗的同學可以跳過基礎教程隻看Gluon版。這套教程現在在Github上公開寫作，共計劃18章，已經完成了前五章。印刷出版和中文翻譯也在計劃中。我們保證每天更新，絕不棄坑，歡迎大家試讀，也歡迎參與創作！